多尺度特征融合的各种模型结构
生活大爆炸

多尺度特征融合的各种模型结构

hualala
2022-03-15 / 0 评论 / 484 阅读 / 正在检测是否收录...
温馨提示:
本文最后更新于2022年09月04日,已超过571天没有更新,若内容或图片失效,请留言反馈。
本文只提供网络图,具体原理内容请移步对应论文

单图像超分辨率的多尺度特征融合残差网络

论文:
https://www.sciencedirect.com/science/article/pii/S0925231219315140
代码:https://github.com/QinJinghui/MSFFRN

  • 多尺度特征融合残差网络(MSFFRN)的网络架构
  • 简单的扩展规则可生成具有 P 交织路径的多尺度特征融合残差架构
  • 具有4个交织路径特征融合的多尺度特征融合残余块(MSFFRB)结构。使用此块作为模型中的默认块。
  • 最终效果:

基于自适应空间并行卷积和快速多尺度融合的小目标检测方法

https://www.researchgate.net/publication/357885975_Small_Object_Detection_Method_Based_on_Adaptive_Spatial_Parallel_Convolution_and_Fast_Multi-Scale_Fusion

  • SODNet的结构。SODNet 由四个组件组成。(1)ASPConv模块,从输入图像中提取出丰富的物体空间信息。(2)所提出的骨干模块,由子骨干和FPN两部分组成。子主干进一步提取 ASPConv模块的输出特征,通过 FPN 生成多尺度特征图。(3)FMF模块,快速融合多尺度特征图中的语义信息和空间信息,生成有利于小目标检测的高分辨率特征图。(4)Predictor,对融合的多尺度特征图进行分类和定位。
  • ASPConv的结构。首先在分裂融合子模块中自适应学习小目标的多尺度局部上下文信息,然后融合形成详细的空间信息。
  • 骨干模块的结构。
  • FMF的结构。低分辨率特征映射P2和P3将丰富的语义信息映射到高分辨率空间,并与特征图C1融合,生成高分辨率的地物图P1具有丰富的语义和空间信息。P2和P3由FPN生成,C1为APSConv模块的输出特征图。
  • 测试数据集的样本测试结果,TinyPerson (a-c)、清华-腾讯100K (d-f)、UAVDT (g-i)、MS COCO (j-1)。
0

评论 (0)

取消