2023年3月29日08:36:32

BiSeNet-2018

一個(gè)雙流 編碼器和一個(gè)融合器，每個(gè)流都包括一個(gè)注意力機(jī)制，

雙流即一個(gè)粗略的、低分辨率的分支和一個(gè)精細(xì)的、高分辨率的分支，

兩個(gè)分支，高低分辨率，SP（Spatial Path）小尺寸物體，CP（Context Path）大尺寸物體，

在保持高分辨率的同時(shí)大大減少計(jì)算量，從而實(shí)現(xiàn)實(shí)時(shí)，

編碼器-解碼器解構(gòu)，Encoder-Decoder框架，

全新注意力機(jī)制，即注意力金字塔池化，獲取不同的上下文信息，

將不同分辨率的特征圖進(jìn)行聚合，同時(shí)利用自注意力機(jī)制和跨特征圖的注意力機(jī)制來(lái)提高特征圖的表達(dá)能力，

RDFNet-2020

循環(huán)細(xì)化 模塊，增加模型的感受野，

局部/全局 注意力機(jī)制，關(guān)注不同尺度和不同區(qū)域的信息，解決遮擋和復(fù)雜背景等，

基于殘差深度網(wǎng)絡(luò)，“殘差密度塊”增強(qiáng)特征表達(dá)，相對(duì)密集的特征提取，反卷積操作，

空間注意力機(jī)制，自適應(yīng)注意力機(jī)制于殘差密度塊中的多個(gè)分支，獲取上下文信息，

更好地處理不同尺度的對(duì)象，

大尺度和復(fù)雜背景，

創(chuàng)新：局部跨度和全局跨度的殘差密集塊，基于特征上下文和空間解構(gòu)的可逆采樣方法，

RDB和可逆下采樣，

DFANet-2021

深度特征注意力，深度分離卷積減少參數(shù)量，

包括一個(gè)基于特征注意力 的編碼器和一個(gè)解碼器，

特征注意力機(jī)制嵌入到編碼器的不同層中，更好關(guān)注感興趣的特征，

創(chuàng)新：多尺度深度分離卷積和分組注意力機(jī)制處理尺度變化和多樣性，

是一種基于深度可分離卷積網(wǎng)絡(luò)的語(yǔ)義分割模型，它使用了一種稱為“多級(jí)上下文聚合”的方法來(lái)捕獲不同尺度的上下文信息。在這個(gè)方法中，DFANet使用了兩個(gè)注意力模塊，分別是“通道注意力模塊”和“空間注意力模塊”。通道注意力模塊可以自適應(yīng)地學(xué)習(xí)通道之間的相關(guān)性，而空間注意力模塊可以自適應(yīng)地學(xué)習(xí)空間區(qū)域之間的相關(guān)信息。