首页 > TAG信息列表 > Dilated
空洞卷积（Atrous Convolution） （转载）
空洞卷积（Atrous Convolution） 优点：在不做pooling损失信息和相同的计算条件下的情况下，加大了感受野，让每个卷积输出都包含较大范围的信息。空洞卷积经常用在实时图像分割中。当网络层需要较大的感受野，但计算资源有限而无法提高卷积核数量或大小时，可以考虑空洞卷积。 空洞卷积（dil直观理解Dilated Convolution
Dilated Convolution是一种通过增加kernel元素间距(padding 0)使得感受野增加的一种卷积方式。所谓感受野就是特征图上每个点对应原图像的像素范围。 这样，在不改变kernel size(上图中的kernel size还是3x3)的情况下，增加了感受野。也可以理解为kernel size从3x3 变成了5x5(但多类别目标计数 Dilated-Scale-Aware Category-Attention ConvNet for Multi-Class Object Counting 论文笔记
多类别目标计数 Dilated-Scale-Aware Category-Attention ConvNet for Multi-Class Object Counting 论文笔记 一、Abstract二、引言三、方法A、Multi-Class Object Counting Problem DefinitionB、Dilated-Scale-Aware ModuleC、Category-Attention ModuleD、损失函数 四论文翻译：2020_Densely connected neural network with dilated convolutions for real-time speech enhancemen
提出了模型和损失函数 论文名称：扩展卷积密集连接神经网络用于时域实时语音增强 论文代码：https://github.com/ashutosh620/DDAEC 引用：Pandey A, Wang D L. Densely connected neural network with dilated convolutions for real-time speech enhancement in the time domain[C]粗读MD-UNET: Multi-input dilated U-shape neural network for segmentation of bladder cancer
本文重点基本都在于提出的网络 这网络也没啥好说的，毕竟Unet太经典了，作者的图画得也直观。主要思路就是在Unet的基础上，在降采样时，每一层加入resize后的原图像，补充卷积过程中丢失的原本信息。Revisiting Dilated Convolution:A Simple Approach for WeaklyAnd SemiSupervised Semantic Segmentation
CVPR 2018，weakly supervised segmentation UIUC 知乎笔记论文学习 Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation 1
好记性不如烂笔头 边学习边记录1 主题：脑肿瘤分割 使用基于Unet的端到端的网络结构，在扩张和紧缩路径中加入了Inception模块和空洞卷积。 数据集：Tumor Segmentation (BraTS) 2018 dataset 结论：该方法对神经胶质瘤三个子区中的两个(肿瘤中心和整个肿瘤的分割)的分割效果有所提升。FastFCN: Rethinking Dilated Convolution in the Backbone for Semantic Segmentation
FastFCN: Rethinking Dilated Convolution in the Backbone for Semantic Segmentation （CVPR2019） 1.摘要 目前的语义分割通常采用主干网中的扩展卷积来提取高分辨的特征图，这带来了计算复杂度和内存占用。 为了替代耗时和消耗内存的膨胀卷积，我们提出了一种新的联合上采样模块RFBNet详细讲解（附图文解释）
1.RFBNet有哪些创新点？ RFBNet主要想利用一些技巧使得轻量型模型在速度和精度上达到很好权衡的检测器，其灵感来自于人类视觉的感受野结构Receptive Fields（RFs），提出了比较新颖的RF block（RFB）模块，来验证感受野尺寸和方向性对提高有鉴别鲁棒特征的关系。RFBNet是以主干网络为VGG的SSconv_general_dilated实现
参考： https://github.com/DarrenZhang01/TensorFlow_GSoC/blob/2fd360c8b1b8c9106044034f6a8b5c2734db9c3d/tf_jax_stax/tf_conv_general.py 结果应该还不对： """ This file contains a general conv operation for TensorFlow. Zhibo Zhang, 2020.06.06 "&quo目标分割Dilated Convolutions讲解
目标分割Dilated Convolutions讲解0、 ABSTRACT1、 INTRODUCTION2、 DILATED CONVOLUTIONS3、 MULTI-SCALE CONTEXT AGGREGATION4、 Front End 前端Reference 原文：MULTI-SCALE CONTEXT AGGREGATION BY DILATED CONVOLUTIO（ICASSP 18）Temporal Modeling Using Dilated Convolution and Gating for Voice-Activity-Detection
会议：ICASSP 2018 论文：Temporal Modeling Using Dilated Convolution and Gating for Voice-Activity-Detection 作者：Shuo-Yiin Chang, Bo Li, Gabor Simko, Tara N Sainath, Anshuman Tripathi, Aäron van den Oord, Oriol Vinyals Abstract 语音活动检测（VAD）是预测话语的哪Deformable Convolutional Networks
1 空洞卷积 1.1 理解空洞卷积 在图像分割领域，图像输入到CNN（典型的网络比如FCN）中，FCN先像传统的CNN那样对图像做卷积再pooling，降低图像尺寸的同时增大感受野，但是由于图像分割预测是pixel-wise的输出，所以要将pooling后较小的图像尺寸upsampling到原始的图像尺寸进行预测，之前的poolinggroup convolution ，dilated convolution
参考1：Group Convolution分组卷积，以及Depthwise Convolution和Global Depthwise Convolution 参考2：如何理解空洞卷积（dilated convolution）？ 参考3：总结-空洞卷积(Dilated/Atrous Convolution) 参考4：空洞卷积(dilated Convolution)【扩张卷积or空洞卷积】如何理解Dilated Convolutions(空洞卷积)
文章来源：https://blog.csdn.net/alxe_made/article/details/88594550 1. 扩张卷积的提出 Multi-Scale Context Aggregation by Dilated Convolutions Dilated Residual Networks 论文笔记——CVPR 2017 Dilated Residual Networks 在图像分割领域，图像输入到CNN（典型的网络比人群密度估计之CSRNet---Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes
从广义上讲，目前有四种方法来计算人群中的人数： 1.基于检测的方法 在这里，即使用移动的窗口式探测器来识别图像中的人并计算其中的人数。用于检测的方法需要经过良好训练的分类器，其可以提取低级特征。尽管这些方法适用于检测面部，但它们在拥挤的图像上表现不佳，因为大多数目标对空洞卷积（dilated convolution）
如何理解空洞卷积（dilated convolution） 论文：Multi-scale context aggregation with dilated convolutions 简单讨论下dilated conv，中文可以叫做空洞卷积或者扩张卷积。首先介绍一下dilated conv诞生背景[4]，再解释dilated conv操作本身，以及应用。 首先是诞生背CNN中卷积操作十大改进方向（Depth-wise/ Dilated/ Deformable/ Shuffle/ SENet etc）
转自： 作者：人工智豪 链接：https://www.jianshu.com/p/71804c97123d 來源：简书 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 CNN从2012年的AlexNet发展至今，科学家们发明出各种各样的CNN模型，一个比一个深，一个比一个准确，一个比一个轻量。我下面会对近几