CoordConv:An Intriguing Failing of Convolutional Neural Networks and the CoordConv Solution
考虑到传统卷积的平移不变性,对于一些位置敏感的任务是有害的,于是提出基于在卷积前增加座标信息作为输入
考虑到传统卷积的平移不变性,对于一些位置敏感的任务是有害的,于是提出基于在卷积前增加座标信息作为输入
APCNet提出ACM模块,满足语义分割的分辨率自适应、多尺度、自注意力3个条件,使得模型效果更好
在VGG的基础上,引入深度可分离卷积,降低模型参数量;并设计宽度因子、分辨率因子控制整个网络的规模
针对语义分割的训练数据和测试数据不匹配问题和类别不平衡问题,该论文提出一个UDA和类别平衡方法,使得语义分割更准确
借鉴 GAN 训练的思路,采用 min-max 的对抗学习模式来训练 segment 网络和 loss 网络
ShuffleNetv2通过分析模型内存访问代价 (MAC)的规律,设计出4个降低这个指标的网络构建规则
DFANet和当下多尺度融合模块设计不同,通过设计衔接上级网络输出的子网络,不断精修预测结果