2023年3月30日13:20:19

圍繞attention mechanism的semantic segmentation論文創(chuàng)新點(diǎn)

1.Innovation Point

《Attention Forest for Semantic Segmentation》2018

• 魯棒性強(qiáng)的注意力機(jī)制——Attention Forest結(jié)構(gòu)

• 將注意力機(jī)制從單一的一維映射擴(kuò)展到了多維度的嵌套樹結(jié)構(gòu)中

《Improved U-NET Semantic Segmentation Network》2020

• 基于殘差網(wǎng)絡(luò)和注意力機(jī)制的改進(jìn) U-NET 語(yǔ)義分割網(wǎng)絡(luò)

• 綜合利用兩者優(yōu)勢(shì)

《Semantic Segmentation using Light Attention Mechanism》2020

• 在編碼-解碼網(wǎng)絡(luò)中引入了輕量級(jí)的注意力機(jī)制

• 以便于在訓(xùn)練過程中聚焦于只關(guān)注必要的特征

《GSANET: SEMANTIC SEGMENTATION WITH GLOBAL AND SELECTIVE ATTENTION》2020

新的深度學(xué)習(xí)架構(gòu)——全局和選擇性注意力網(wǎng)絡(luò) (GSANet)，其特征在于使用 Atrous Spatial Pyramid Pooling（ASPP）與新的sparsemax全局注意力和新的選擇性注意力，采用凝聚和擴(kuò)散機(jī)制匯聚提取的深層特征的多尺度上下文信息。同時(shí)，本文還提出了選擇性注意力解碼器，用于處理GSA-ASPP輸出以優(yōu)化softmax體積

《Covariance Attention for Semantic Segmentation》2020

新的關(guān)注模塊——協(xié)方差注意力，并將其用于語(yǔ)義分割任務(wù)中。該模塊采用協(xié)方差矩陣來(lái)建模全局和局部的依賴關(guān)系，實(shí)現(xiàn)了一個(gè)簡(jiǎn)單的矩陣投影過程，從而提高了分割性能。同時(shí)，本文還將手工特征和學(xué)習(xí)特征有效地結(jié)合起來(lái)，利用協(xié)方差矩陣提高了分割性能，提出了一種基于協(xié)方差注意力的語(yǔ)義分割框架CANet

《A Semantic Segmentation Algorithm Based on Improved Attention Mechanism》2020

一種基于視覺注意力機(jī)制的語(yǔ)義分割網(wǎng)絡(luò)GSANet，通過引入ASPP結(jié)構(gòu)GASPP和全局注意力信息，提供更好的長(zhǎng)距離細(xì)節(jié)信息，同時(shí)在解碼器階段引入新的SAM選擇性注意模塊，為不同的空間位置提供不同的注意權(quán)重信息

《Efficient Attention Pyramid Network for Semantic Segmentation》2021

高效的注意力金字塔網(wǎng)絡(luò)(EAPNet)，其中包括了基于多尺度和通道注意力的有效上下文特征構(gòu)建、高效通道注意力金字塔(ECAP)和殘差注意力融合塊(RAFB)等創(chuàng)新設(shè)計(jì)

《Multiple-Attention Mechanism Network for Semantic Segmentation》2022

雙重注意機(jī)制和跨維度交互式注意力特征融合模塊，用于捕捉空間和通道維度的特征依賴性

《雙注意力引導(dǎo)的跨層優(yōu)化交通場(chǎng)景語(yǔ)義分割》2022

多分支特征提取編碼網(wǎng)絡(luò)、基于空間對(duì)齊的跨層特征融合解碼網(wǎng)絡(luò)和通道與空間注意力機(jī)制模塊的結(jié)合

《基于雙注意力模塊的FDA-DeepLab語(yǔ)義分割網(wǎng)絡(luò)》2022

融合通道注意力機(jī)制和空間注意力機(jī)制的特征融合模塊，并通過引入樣本難度權(quán)重調(diào)節(jié)因子和類別權(quán)重改進(jìn)損失函數(shù)，

《融合多尺度與注意力機(jī)制的智能車間場(chǎng)景目標(biāo)輕量級(jí)語(yǔ)義分割》2022

融合雙路平均池化和三分支注意力機(jī)制的輕量級(jí)語(yǔ)義分割網(wǎng)絡(luò)，結(jié)合不同的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)和解碼器

《基于多尺度、多路注意力融合機(jī)制的多模態(tài)高等級(jí)腦膠質(zhì)瘤語(yǔ)義分割網(wǎng)絡(luò)》2022

多尺度特征提取、多路注意力融合機(jī)制和集成學(xué)習(xí)策略

《基于小目標(biāo)類別注意力機(jī)制與特征融合的AF-ICNet非結(jié)構(gòu)化場(chǎng)景語(yǔ)義分割方法》2023

空洞空間卷積池化金字塔、CA注意力機(jī)制和改進(jìn)的權(quán)重交叉熵?fù)p失函數(shù)

《多尺度注意力線束端子實(shí)時(shí)語(yǔ)義分割網(wǎng)絡(luò)》2023

MRF模塊和特征融合跳躍連接

《Research on the semantic segmentation algorithm for automatic driving with improved HRNet》2022

基于HRNet聯(lián)合交叉注意機(jī)制的圖像語(yǔ)義分割算法，解決了當(dāng)前主流圖像語(yǔ)義分割算法提取的特征圖分辨率低、上采樣過程中有效語(yǔ)義信息過度丟失以及目標(biāo)物體區(qū)域像素點(diǎn)和相關(guān)性容易丟失的問題，通過在訓(xùn)練過程中將去噪模塊引入到分割模型中

《Bilateral U-Net semantic segmentation with spatial attention mechanism》2022

基于雙邊 U-Net 網(wǎng)絡(luò)和空間注意力機(jī)制的語(yǔ)義分割模型，通過添加 Attentive Pyramid Spatial Attention (APSA) 模塊和上下文融合預(yù)測(cè)分支

《GLSANet: Global-Local Self-Attention Network for Remote Sensing Image Semantic Segmentation》2023

全局-局部自注意力機(jī)制，通過上下文融合模塊將全局和局部信息進(jìn)行自適應(yīng)融合，能夠同時(shí)考慮全局和局部上下文信息

《Edge-reinforced attention network for smoke semantic segmentation》2023

基于邊界增強(qiáng)和注意力機(jī)制的煙霧語(yǔ)義分割框架EANet，融合了語(yǔ)義分割和邊界檢測(cè)任務(wù)，并通過邊界監(jiān)督來(lái)指導(dǎo)語(yǔ)義分割任務(wù)，同時(shí)采用三種注意力機(jī)制和自適應(yīng)融合層

《Depth Guidance and Intradomain Adaptation for Semantic Segmentation》2023

一種基于深度信息的自適應(yīng)框架DAF和內(nèi)域自適應(yīng)策略IDA，通過利用語(yǔ)義和深度信息之間的內(nèi)在相關(guān)性來(lái)適應(yīng)不同領(lǐng)域之間的差異，其中采用基于通道注意力機(jī)制的深度估計(jì)網(wǎng)絡(luò)提供額外的深度信息，通過提出的深度感知排序策略來(lái)消除目標(biāo)域內(nèi)部分布的差異

《Daabnet: Depth-Wise Asymmetric Attention Bottleneck for Real-Time Semantic Segmentation》2023

設(shè)計(jì)了兩個(gè)特征提取模塊，一個(gè)基于深度可分離卷積和注意力機(jī)制的Depth-wise Asymmetric Attention Bottleneck (DAAB)模塊和一個(gè)結(jié)合了Strip Pooling和注意力機(jī)制的Strip Pooling Attention (SPA)模塊

2.Research Target

《Attention Forest for Semantic Segmentation》2018

• 解決語(yǔ)義分割任務(wù)中傳統(tǒng)CNN難以有效解決的低置信度區(qū)域問題

《Improved U-NET Semantic Segmentation Network》2020

• 更好的圖像處理效果

《Semantic Segmentation using Light Attention Mechanism》2020

提高語(yǔ)義分割的準(zhǔn)確度

《GSANET: SEMANTIC SEGMENTATION WITH GLOBAL AND SELECTIVE ATTENTION》2020

提高語(yǔ)義分割的準(zhǔn)確性

《Covariance Attention for Semantic Segmentation》2020

很好的性能

《A Semantic Segmentation Algorithm Based on Improved Attention Mechanism》2020

顯著提高了準(zhǔn)確性

《Efficient Attention Pyramid Network for Semantic Segmentation》2021

更好的性能

《Multiple-Attention Mechanism Network for Semantic Segmentation》2022

更好的性能

《雙注意力引導(dǎo)的跨層優(yōu)化交通場(chǎng)景語(yǔ)義分割》2022

解決交通場(chǎng)景目標(biāo)分割邊緣不平滑以及小目標(biāo)難以準(zhǔn)確分割等問題

《基于雙注意力模塊的FDA-DeepLab語(yǔ)義分割網(wǎng)絡(luò)》2022

提高了圖像語(yǔ)義分割精度

《融合多尺度與注意力機(jī)制的智能車間場(chǎng)景目標(biāo)輕量級(jí)語(yǔ)義分割》2022

在保證分割精度的同時(shí)實(shí)現(xiàn)了高速實(shí)時(shí)性，滿足智能車間場(chǎng)景目標(biāo)語(yǔ)義分割的需求

《基于多尺度、多路注意力融合機(jī)制的多模態(tài)高等級(jí)腦膠質(zhì)瘤語(yǔ)義分割網(wǎng)絡(luò)》2022

能夠準(zhǔn)確分割高等級(jí)腦膠質(zhì)瘤病灶區(qū)，并在三維方向上具有良好的邊界連續(xù)性

《基于小目標(biāo)類別注意力機(jī)制與特征融合的AF-ICNet非結(jié)構(gòu)化場(chǎng)景語(yǔ)義分割方法》2023

提升了非結(jié)構(gòu)化道路及小目標(biāo)類別的分割精度，并滿足實(shí)時(shí)性要求

《多尺度注意力線束端子實(shí)時(shí)語(yǔ)義分割網(wǎng)絡(luò)》2023

更精準(zhǔn)、更快速

《Research on the semantic segmentation algorithm for automatic driving with improved HRNet》2022

提高了訓(xùn)練速度和穩(wěn)健性，相對(duì)于原始分割模型在廣泛使用的Cityscapes數(shù)據(jù)集上取得了83.2%的mIoU

《Edge-reinforced attention network for smoke semantic segmentation》2023

提高分割結(jié)果的細(xì)節(jié)和物體邊界的清晰度，解決了樣本不平衡問題

《Depth Guidance and Intradomain Adaptation for Semantic Segmentation》2023

跨域任務(wù)中取得了較好的語(yǔ)義分割性能

《Daabnet: Depth-Wise Asymmetric Attention Bottleneck for Real-Time Semantic Segmentation》2023

實(shí)現(xiàn)實(shí)時(shí)語(yǔ)義分割，并在參數(shù)數(shù)量、速度和準(zhǔn)確性等方面取得了令人矚目的平衡

《GLSANet: Global-Local Self-Attention Network for Remote Sensing Image Semantic Segmentation》2023

提高遙感圖像語(yǔ)義分割精度

《Bilateral U-Net semantic segmentation with spatial attention mechanism》2022

有效提高小數(shù)據(jù)集的分割精度，實(shí)驗(yàn)結(jié)果表明在 CamVid 數(shù)據(jù)集上的 mIOU 達(dá)到了 75.85%，并且在 VOC 2012 數(shù)據(jù)集上經(jīng)過實(shí)驗(yàn)證明該模型的通用性和 APSA 模塊的有效性

/

本蒙の語(yǔ)義分割-330

run and gun

/