CGNet: A Light-weight Context Guided Network for Semantic Segmentation

最新推荐文章于 2025-03-14 12:35:33 发布
最新推荐文章于 2025-03-14 12:35:33 发布
阅读量2.6k 收藏 12
点赞数 2
分类专栏： 轻量化分割 文章标签： 计算机视觉
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。
本文链接：https://blog.youkuaiyun.com/weixin_46707677/article/details/117048294
版权
CGNet是一种针对移动设备设计的轻量、高效的语义分割网络，它通过CG模块结合局部和全局上下文信息来提高准确性。CG模块包括局部特征学习、周围特征学习和全局特征的逐通道加权，旨在捕获空间依赖性和语义信息。相比于传统的基于分类网络的分割模型，CGNet在保证准确率的同时减少了参数量。

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

CGNet: A Light-weight Context Guided Network for Semantic Segmentation

0.摘要

移动设备中语义分割模型应用增加，然大部分网络的参数量过大，而内存占用较小的网络基本上是根据分类网络设计的。这一设计呐忽视了分割网络的特点
our，提出了CGNet，轻量化、高效的语义分割网络，1 CG模块，将局部特征和周围特征进行联合 2 用全局特征改善联合特征 3 基于CG模块构建CGNet

1.引言

在这里插入图片描述图1
对于Fig1的描述：

  • 本图是在cityscapes数据集上不同框架的准确率和参数量的对比。
  • 高准确率的模型（蓝点），由图像分类网络转化而来且参数量大，因此大多不适于移动设备。
  • 低分辨率的小模型（红点），遵循分类网络的设计方式，忽略了分割特性，故而效果不好。

CGNet的设计：
为了提升准确率，用cgnet探索语义分割的固有属性。对于准确率的提升，因为语义分割是像素级分类和目标定位，所以空间依赖性和上下文信息发挥了

最低0.47元/天 解锁文章
深度学习论文: LRNnet: a light-weighted network for real-time semantic segmentation及其PyTorch实现
mingo_敏
07-01 1608
深度学习论文: LRNnet: a light-weighted network with efficient reduced non-local operation for real-time semantic segmentation及其PyTorch实现 LRNnet: a light-weighted network with efficient reduced non-local operation for real-time semantic segmentation PDF:https://a
YOLOv8改进 | 融合改进 | C2f融合ContextGuided增强分割效果
kay_545
08-19 1775
YOLOv8，yolov8改进，yolov8模块融合， C2f_ContextGuided
论文学习笔记（六） CGNet: A Light-weight Context Guided Network for Semantic Segmentation
热门推荐
Custom自定义
01-18 1万+
『写在前面』 语义分割轻量级网络。 作者机构：Tianyi Wu等，中科院计算所 原文链接：https://arxiv.org/pdf/1811.08201 相关repo：https://github.com/wutianyiRosun/CGNet 目录 摘要 1 介绍 2 相关工作 3 干货 3.1 Context Guided Block 3.2 Context Gu...
CGNet-由CG Block组成用于语义分割的轻量型模型 | TIP2020
qq_43311107的博客
10-01 2519
CGNet-由CG Block组成用于语义分割的轻量型模型 | TIP2020
【论文阅读笔记】Lightweight Context-Aware Network Using Partial-Channel Transformation for Real-Time Semanti
最新发布
qq_46056318的博客
03-14 741
基于部分通道变换的轻量级上下文感知网络实时语义分割PaperCode优化人工神经网络的计算效率对于自动驾驶系统等资源受限的平台至关重要。为了解决这一问题，本文提出了一种轻量级上下文感知网络（LCNet），该网络能够在保证推理速度和切分精度的前提下加速语义切分。LCNet引入了部分通道转换（PCT）策略，以最小化基本单元的计算延迟和硬件要求。在PCT模块内，三分支上下文聚合（TCA）模块扩展特征感受域，捕获多尺度上下文信息。此外，双注意力引导解码器（DD）恢复空间细节并提高像素预测精度。
【语义分割】CGNet -- A Light-weight Context Guided Network for Semantic Segmentation
筱
08-05 876
Context Guided Block Intuitively, GRL has a stronger capability than LRL to promote the flow of information in the network. Context Guided Network CGNet follows the major principle of “deep and thi...
CGNet：轻量级语义分割网络实践指南及问题解答
gitblog_01282的博客
10-18 850
CGNet：轻量级语义分割网络实践指南及问题解答 CGNet CGNet: A Light-weight Context Guided Network for Semantic Segmentation [IEEE Transactions on Image Processing 2020] ...
推荐文章：CGNet——轻量级语义分割网络，为移动设备而生
gitblog_00001的博客
05-27 1165
推荐文章：CGNet——轻量级语义分割网络，为移动设备而生 项目地址:https://gitcode.com/gh_mirrors/cgn/CGNet 在当前的AI浪潮中，将语义分割模型应用于移动设备的需求日益增长。然而，现有的先进模型往往因庞大的参数量而不适用于资源受限环境，而一些为适应小内存设计的网络又未能充分利用语义分割的特点。针对这一挑战，我们向您介绍一个创新之作——CGNet（Conte...
YOLO11改进-注意力-引入上下文引导模块Context Guided block
qq_64693987的博客
12-10 1650
Context Guided block 的主要目的是通过结合局部特征和全局上下文信息来增强特征表示。这种机制在计算机视觉任务中非常有用，例如目标检测和图像分割，因为它可以帮助模型更好地关注重要区域并抑制无关背景。图中的 (a) 部分展示了输入图像，其中红色框标出了感兴趣的区域。首先，通过一系列卷积操作（如 1x1 Conv 和 3x3 Conv）来提取局部特征。这些操作帮助捕获局部区域的细节信息。图中的 (b) 部分展示了局部特征提取的过程。
语义分割之CGNet
年轻即出发，
06-30 5090
论文：CGNet: A Light-weight Context Guided Network for Semantic Segmentation Github: https://github.com/wutianyiRosun/CGNet 论文设计了Context Guided (CG) block，并且基于该block提出了Context Guided Network (CGN...
Python-CGNet一种用于语义分割的轻量级上下文引导网络
08-11
CGNet: 一种用于语义分割的轻量级上下文引导网络
CG-Net:学习用于空中图像中目标检测的校准指导
03-26
学习用于空中图像中目标检测的校准指导 可以在这里查看论文 |骨干| +我们的|体重| mAP（％）| --- | --- | --- | --- | --- | ResNet-50 |||| 73.26 | ResNet-50 | + || 74.21 | ResNet-100 ||| 73.06 | ResNet-100 | + || 74.30 | ResNet-152 ||| 72.78 | ResNet-152 | + || 73.53 介绍 创建该代码库的目的是为航拍图像中的物体检测建立基准。 它是从修改而来的。 master分支适用于PyTorch 1.1或更高版本。 如果您想使用PyTorch 0.4.1，请签出到分支。 执照 该项目是根据。 您可以在configs / DOTA中找到详细的配置。 训练有素的模型可在。 安装 请参考进行安装。 开始使用 有关的基本用法，
CGNet 技术文档：轻量级上下文引导网络用于语义分割
gitblog_01276的博客
10-18 1013
CGNet 技术文档：轻量级上下文引导网络用于语义分割 CGNet CGNet: A Light-weight Context Guided Network for Semantic Segmentation [IEEE Transactions on Image Processing 2020] ...
CGNet: 用于语义分割的轻量级上下文引导网络
gitblog_00059的博客
12-26 387
CGNet: 用于语义分割的轻量级上下文引导网络 CGNet CGNet: A Light-weight Context Guided Network for Semantic Segmentation [IEEE Transactions on Image Processing 2020] ...
论文解读：《CGNet:一种用于肺炎检测的图知识嵌入式卷积神经网络》
weixin_45156147的博客
04-20 1698
文章地址：https://www.journals.elsevier.com/information-processing-and-management DOI： https://doi.org/10.1016/j.ipm.2020.102411 期刊ISSN：0306-4573（二区） 影响因子（IF）：4.041 发布时间：2020年10月19日 数据集： 摘要 肺炎是一种导致儿童高死亡率的全球性疾病。由于新型冠状病毒COVID-19的爆发，目前已有983,907人死亡。随着感染的进展，感染病毒的人
【改进YOLOv8】鸟类图像分类系统：引入上下文引导网络（CGNet）改进YOLOv8
xuehaishijue的博客
12-14 1853
【改进YOLOv8】鸟类图像分类系统：引入上下文引导网络（CGNet）改进YOLOv8
CGNet 一种上下文指导的轻量级分割网路
weixin_42565571的博客
03-01 1314
论文提出问题：以前的分割网络对于移动端设备，精度高的分割网络参数太多，而小网络的设计还遵循着分类网络（的设计），忽略了内在的（更深层的）语义信息。 文中提出方法：context guide block（CG） ，优势是可以学习位置特征和环绕特征。 CG block的特点： 可以学习一个像素点和它周围环绕的点的关系，这包含了很多周边环境信息。 利用全局上下文信息提高相邻的点的特征。全局上下文是为了...
yolov11上下采样
03-08
### YOLOv11 上下采样方法实现 #### 下采样方法 ContextGuided (C3k2) 轻量级下采样方法ContextGuided旨在提高模型效率的同时保持良好的检测精度。具体来说，ContextGuided采用了四个主要组成部分来构建更有效的特征表示[^2]。 - **局部特征提取器（floc）** 使用标准卷积层学习输入图像的局部特征。这有助于捕捉对象的关键细节和边缘信息。 - **周围上下文提取器（fsur）** 利用空洞/膨胀卷积层扩大感受野范围，从而能够更好地理解目标周围的环境信息。这种方法允许网络在不增加计算成本的情况下获得更大的视野。 - **联合特征提取器（fjoi）** 将上述两种类型的特征通过连接层组合在一起，并应用批量归一化(BN) 和参数化 ReLU(PReLU)，最终形成综合性的中间表达形式。这种设计可以有效地融合不同层次的信息，增强特征描述能力。 - **全局上下文提取器（fglo）** 应用了全局平均池化(GAP) 来收集整个图片级别的统计特性；随后借助多层感知机(MLP) 进一步提炼这些高层次语义线索。最后再利用缩放机制调整之前得到的联合特征权重分布，突出重要部分而削弱无关紧要之处。 ```python import torch.nn as nn class ContextGuided(nn.Module): def __init__(in_channels, out_channels): super(ContextGuided).__init__() self.floc = nn.Conv2d(in_channels=in_channels, out_channels=out_channels//4, kernel_size=3, stride=1, padding=1) self.fsur = nn.Conv2d(in_channels=in_channels, out_channels=out_channels//4, dilation=2, kernel_size=3, stride=1, padding=2) self.bn = nn.BatchNorm2d(out_channels//2) self.prelu = nn.PReLU() self.connect_layer = nn.Sequential( nn.Conv2d(in_channels=out_channels//2, out_channels=out_channels, kernel_size=1), nn.BatchNorm2d(out_channels)) self.gap = nn.AdaptiveAvgPool2d((1, 1)) self.mlp = nn.Linear(out_channels, out_channels) self.scale = ScaleLayer() def forward(x): loc_feature = floc(x) surr_feature = fsur(x) combined_features = torch.cat([loc_feature, surr_feature], dim=1) normalized_combined = bn(combined_features) activated_combined = prelu(normalized_combined) connected_output = connect_layer(activated_combined) global_context = gap(connected_output).squeeze(-1).squeeze(-1) refined_global = mlp(global_context).unsqueeze(-1).unsqueeze(-1) scaled_output = scale(refined_global * connected_output) return scaled_output ``` #### 上采样方法 动态上采样模块 对于上采样的处理，在YOLO系列中引入了一种新的动态上采样模块，它不仅超越了传统的固定比例放大方式，而且可以根据实际需求灵活调节输出尺寸。该模块由两大部分构成：一是负责改变通道数量的标准卷积操作；二是执行空间维度扩展的双线性插值过程。其核心公式如下： \[F(x)=\text{conv}(x,W)+F_{upsample}(x,\text{scale}) \] 其中 \(W\) 表示可训练的滤波器矩阵，\(F_{upsample}\) 是指基于指定倍率进行重映射的过程[^3]。 ```python def dynamic_upsampling_module(input_tensor, output_channels, upscale_factor): convolved = nn.Conv2d(input_tensor.size()[1], output_channels, kernel_size=3, stride=1, padding=1)(input_tensor) upsampled = nn.functional.interpolate(convolved, scale_factor=upscale_factor, mode='bilinear', align_corners=True) return upsampled ```
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