探索flutter框架开发的app在移动应用市场的潜力与挑战
852
2022-10-06
人像分割论文SINet: Extreme Lightweight Portrait Segmentation Networks及其PyTorch实现
SINet: Extreme Lightweight Portrait Segmentation Networks with Spatial Squeeze Modules and Information Blocking Decoder PDF: Information Blocking Decoder(信息块解码)
编码–解码结构广泛应用于语义分割任务中. 编码器从输入图像中提取语义特征,解码器恢复原始分辨率和局部细节; 但是编码–解码结构中经常采用的高分辨率特征联通会对细节恢复带来干扰; 于是作者在高分辨率和低分辨率融合时加入attention机制,即通过计算低分辨率的置信度,选择性地融合二者特征.
结构:
2 Spatial Squeeze module (空间压缩模块)
a. 选择average pooling 而不是dilated convolution增大感受野,是因为后者会带来较大时延以及带来的栅格效应(grid effects);
**b.**多分支结构对GPU计算不友好,因此压缩特征图减少时延;
3 SINet(网络结构)
使用 带有ds-conv 卷积的 Squeeze-and-Excite 模块,而不是步长为2的S2-module下采样特征图,因为后者更慢;
PyTorch代码:
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。
发表评论
暂时没有评论,来抢沙发吧~