Large Kernel Matters论文理解

最新推荐文章于 2023-07-16 10:31:49 发布
原创 最新推荐文章于 2023-07-16 10:31:49 发布 · 471 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了一种通过Global Convolutional Network (GCN) 和 Boundary Refinement block (BR) 改进语义分割的方法。GCN增强分类与定位性能，BR优化边界对齐。采用大卷积核提高分类效果，结合ResNet多尺度框架实现精准分割。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 

 

Large Kernel Matters ——Improve Semantic Segmentation by Global Convolutional Network

发表日期：8 May 2017

本文主要提出两种结构，全局卷积网络（Global Convolutional Network，GCN），Boundary Refinement block（BR）

GCN同时改善分类和定位的性能。

 

目前state-of-art的语义分割设计方法都是为了更好的定位，但这会降低分类的效果。从分类的角度，网络应该使用大的卷积核，这样能使分类器具有更强的分类能力来应对各种变换。使用Boundary Refinement block来进行边界对齐，该模块使用残差结构。

 

1.GCN

目前state-of-art的语义分割设计方法都是为了更好的定位，但这会降低分类的效果。而分类的效果差可能由于感受野造成的。当分类的有效感受野（能够获得有效信息的感受野）足以覆盖整个物体的时候，这个时候分类器就可以正确的分类。

网络设计用FCN，卷积的kernel size越大越好，但是越大的卷积核计算量越大，作者提出1*k+k*1和k*1+1*k的卷积组合，相当于feature map的k*k大小区域。在这里的卷积之后没有使用非线性激活函数。

2.Boundary Refinement

侧边的残差连接可以对boundary进行refine

3.网络结构

ResNet作为特征提取；使用ResNet不同stage的feature map，是多尺度框架；经过上采样输出结果

 

参考：

https://zhuanlan.zhihu.com/p/38055224 

计算机视觉论文总结系列（二）：图像分割篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-29 7509
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域论文总结，每章将分别从最新方法、开源框架、模型、等方面展开介绍，主要面向深度学习CV方向同学学习，希望大家能够多多交流，欢迎订阅本专栏，如有错误请大家在评论区指正，如有侵权联系删除。
Don’t Touch What Matters: Task-Aware Lipschitz Data Augmentationfor Visual Reinforcement Learning
LoveQR1的博客
11-17 639
Don’t Touch What Matters: Task-Aware Lipschitz Data Augmentationfor Visual Reinforcement Learning 论文分享
Large Kernel Matters论文解读
zym19941119的博客
07-20 2339
Introduction 这篇文章来自于17年的ICCV会议，作者来自清华与旷视，这篇文章提出大的卷积核对分割网络非常重要，并使用论文中提出的GCN（Global Convolution Network）显著提高了分割的精度。这篇文章还有一个后续，叫做ExFuse，但ExFuse这篇文章更多的是各种小trick的叠加，质量一般。 ExFuse的论文全称为ExFuse: Enhancing Fe...
Large Kernel Matters
qq_26499769的博客
04-07 489
Large Kernel Matters 论文信息 论文地址：Large Kernel Matters ——Improve Semantic Segmentation by Global Convolutional Network 发表日期：8 Mar 2017 创新点 提出全局卷积网络（Global Convolutional Network，GCN），用以同时提高语义分割中分类和定位的准确度。...
Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network论文阅读
u010067397的专栏
12-20 686
语义分割可以看做一个像素点分类问题。这个任务有两个挑战： 1、分类 2、定位 好的设计模型同时处理这两个问题。 我们解决这两个问题
目标分割(八)Large Kernel Matters---GCN讲解
Raywit的博客
02-28 5007
目标分割GCN讲解0. ABSTRACT1. INTRODUCTION2. Related WorkReference 原文：GCN 收录：CVPR 2017 (IEEE Conference on Computer Vision and Pattern Recognition) 代码：GCN-github   0. ABSTRACT   在如今网络架构设计中，在...
【图像语义分割】Large Kernel Maters--Improved Semantic Segmentation by Global ConvNet
Shwan_ma的博客
09-23 877
摘要：目前流行的网络架构往往通过堆积小的卷积核（stack small filters），因为在相同计算量下，stack small filters往往比large kernel更加有效。然而在图像语义分割这块，我们需要做一个dense per-pixle prediction， 我们发现大内核在同时实现localization和classification的时候能够起到重要的作用。在这个设计原则下
论文阅读：Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network（GCN）
漩涡小林的博客
03-10 1339
文章目录1 摘要2 存在问题3 亮点3.1 GCN模块3.2 边界提取模块（BR模块）3.3 总的网络框图3.4 ResNet50-GCN预训练模型4 部分结果4.1 部分数据对比4.2 部分效果对比5 结论5.1 优势5.2 不足6 参考资料 1 摘要 文章指出，最近流行的一个趋势就是使用小的过滤器进行堆叠（如：1x1，3x3等），这样能够在同样的计算量情况下比大的过滤器更有效率。然而，作者发现...
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
图像分割--Large Kernel matters（GCN）
zk_ken的博客
05-29 6367
论文地址：https://arxiv.org/abs/1703.02719论文代码：https://github.com/ZijunDeng/pytorch-semantic-segmentation [PyTorch]参考文献：https://blog.youkuaiyun.com/bea_tree/article/details/609775121. Introduction本文的架构是：使用 ResNe...
Large Kernel Matters Improve Semantic Segmentation by Global Convolutional Network
卓为的博客
01-30 503
1
PaperReading4-Large Kernel Matters—— Improve Semantic Segmentation by Global Convolutional Network
u010142666的博客
07-15 567
今天我给大家介绍的是一篇face++的关于改进卷积的分割网络。由于时间关系大概讲下论文思路。首先，论文分析了 Semantic Segmentation这个任务：1基础知识：（1）大卷积效果比小卷积好，因为大卷积可以接收的感受野大，对于物体语义可以进行更好的判断（classification），但是大卷积损失了细节信息多点，而且参数也多；（2）堆积小卷积可以达到大卷积的效果，实现大的感受野，而且参...
Large Kernel Matters个人阅读笔记
qq_39556696的博客
10-18 252
Large Kernel Matters介绍相关工作方法GCN整体结构实验ablation 个人学习用---- 介绍 既要分类，又要定位，但是这两个任务目标矛盾： 分类需要对平移/旋转等变换具有稳健性，定位却需要对平移/旋转感知敏感。 对此文章提出了一个GCN(Global Convolutional NetWork)，以解决上述问题。 除此以外还搞了一个Boundary Refinement Block(BR)，主要是为了约束边界，强化定位。 相关工作 主要讨论以前基于FCN(全卷积)做的改进工作： 1）
Large Kernel Matters—— Improve Semantic Segmentation by Global Convolutional Network------论文理解
ruoruojiaojiao的博客
06-05 462
参考博客：https://blog.youkuaiyun.com/zhangjunhit/article/details/74530596 1. 概述 目前网络架构设计的趋势均是在相同计算量的前提下将大的卷积核替换为多个小的卷积核（如1x1和3x3）堆叠而成 。但在语义分割中需要同时进行分类和定位的时候大的卷积核占很重要的角色。为解决分类和定位问题，我们提出了GCN网络。同时提出了基于残差的边界修正，来更...
语义分割论文翻译：Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network
weixin_43673376的博客
08-11 536
1、Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network 摘要：小的卷积核堆叠比用一个大的卷积核计算更加高效。在语义分割领域，需要执行每个像素的预测分类，更大的卷积核（感受野更大），对于分类和定位任务来说，作用更大。所以提出GCN来解决语义分割的分类和定位的问题。文中还提出一个基于残差的边界细化模块。 但从摘要可以看出主要有方面工作：用了更大感受野的信息，还有就是后处理（边界refine）。
语义分割之large kernel matters个人总结
LeeWanzhi的博客
10-27 1018
1. Architecture 作者想要解决的是分类与定位的对立矛盾。 分类具有平移不变性，而定位则对位置变化非常敏感。 在分割任务中，全卷积的网络更侧重于定位，往往会让分类任务获得的感受野较小，这会导致无法获得足够的object信息，不利于分类。 于是作者增大了感受野。 整体的decoder过程依旧是老套路，融合+反卷积。不过，引入了两个新的block–GCN和BR。 2. GCN 类似于In...
【论文阅读笔记】A heterogeneous group CNN for imagesuper-resolution（HGSRCNN）
qq_42602743的博客
10-24 795
IEEE2022年论文，HGSRCNN（A heterogeneous group CNN for imagesuper-resolution）
第十三章：Large Kernel Matters——大核心很重要，通过全局卷积网络改进语义分割
ADICDFHL的博客
07-16 609
根据我们对分类和分割的分析，我们发现大尺寸的卷积核对于缓解分类和定位之间的矛盾非常重要。遵循大尺寸卷积核的原则，我们提出了全局卷积网络。消融实验表明，我们提出的结构在有效感受野和参数数量之间取得了良好的平衡，并取得了良好的性能。为了进一步精细化物体边界，我们提出了一种新颖的边界细化模块。从定性上看，我们的全局卷积网络主要改善了内部区域，而边界细化则提高了边界附近的性能。我们的最佳模型在两个公共基准测试中取得了最先进的结果：PASCAL VOC 2012（82.2%）和Cityscapes（76.9%）。
RefineNet理解（附图文）
weixin_45074568的博客
03-18 4643
RefineNet是发表在2017CVPR上的一篇文章，旨在实现高分辨的语义分割任务。 网络结构：RefineNet block的作业是把不同resolution level的feature map进行融合。网络结构如下： 最左边一列就是FCN的encoder部分（用VGG作为主干特征提取网络），先把pretrained ResNet按feature map的分辨率分成四个ResNet blocks，然后向右把4个blocks分别作为4个path通过RefineNet block（下面会讲到）进行融合，最
鸿蒙开发day matters
最新发布
03-08
### 鸿蒙开发 Day Matters 使用指南 #### 日历事项管理功能概述 在鸿蒙操作系统中，`Day Matters` 是指日历应用中的每日重要事件提醒和安排功能[^1]。该特性允许开发者通过 API 接口实现对特定日期的日程创建、...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值