論文閱讀：Attention to Scale: Scale-aware Semantic Image Segmentation

阿新 • • 發佈：2019-01-18

注意力機制其實就是對feature map做加權，且加權的權重在訓練的時候學習的。

很多語義分割網路融合了多尺度（多解析度）的特徵，但方法不盡相同。一種常見的結構是SPP（Spatial Pooling Pyramid），另一種方法則是使用不同解析度的分支。不同解析度的分支有三種，最簡單就是輸入不同解析度的影象然後通往不同的分支，另外兩種如下圖：

注意力機制其實就是對feature map做加權，且加權的權重在訓練的時候學習的。很多語義分割網路融合了多尺度（多解析度）的特徵，但方法不盡相同。一種常見的結構是SPP（Spatial Pooling Pyramid），另一種方法則是使用不同解析度的分

Attention to Scale: Scale-aware Semantic Image Segmentation CVPR2016 針對語義分割問題，嵌入多尺度資訊是很有必要的，這裡我們提出用一個 attention mechanism 來學習每個

摘要大意是說，普遍認為深度網路需要大量已標籤資料集，這個網路(U-Net)可以依靠資料增強來事先少量資料集訓練網路。而且，這個網路訓練得很快，運用GPU執行，512*512的圖片只需要不

這篇論文是在2017年3月22日發表在CVPR上的，作者在這篇論文中提出了一個叫做深度從粗糙到精細化的多工卷積神經網路（Deep MANTA），該模型可以用於對一張圖片中的車輛進行多工的分析。該網路同時執行的多工包括：車輛檢測、部件定位、可見性描述和三維形

users 方式 article div local 網絡 ava auto data- 一、論文所解決的問題實現長期記憶（大量的記憶），而且實現怎樣從長期記憶中讀取和寫入，此外還增加了推理功能為什麽長期記憶非常重要：由於傳統的RNN連復制任務都不行，LST

選擇 works embed 負責距離 feature 結構 tran put 前言 2017.10.2博客園的第一篇文章，Mark。由於實驗室做的是NLP和醫療相關的內容，因此開始啃NLP這個硬骨頭，希望能學有所成。後續將關註知識圖譜，深度強化學習等內

bar pro 依賴性後處理主題處理分配位置平滑論文鏈接：https://arxiv.org/abs/1412.7062 摘要該文將DCNN與概率模型結合進行語義分割，並指出DCNN的最後一層feature map不足以進行準確的語義分割

Inroduction 本文是ACL 2017的一篇文章，用更細粒度的gated-attention對背景文章和問題進行計算。作者是CMU的Graduate Research Assistant: Bhuwan Dhingra。文章的相關工作部分總結的很好，程式碼實現可以參考[Git

看論文時查的知識點前饋神經網路就是一層的節點只有前面一層作為輸入，並輸出到後面一層，自身之間、與其它層之間都沒有聯絡，由於資料是一層層向前傳播的，因此稱為前饋網路。 BP網路是最常見的一種前饋網路，BP體現在運作機制上，資料輸入後，一層層向前傳播，然後計算損失函式，得到損失函式的殘差

可能要很久時間開始關注vqa問題，vqa問題就是影象的問答問題，即對影象提問，併產生答案。關於影象問答綜述性文章推薦：Visual Question Answering: Datasets, Algorithms, and Future Challenges。今天開始可能要跟大家分析關於

ICCV2017的文章，主要使用multi-task的GAN網路來提取pose-invariant特徵，同時生成指定pose的人臉。下載連結：作者： Motivation：對於大pose的人臉識別，現在大家都是兩種方案：1 先轉正再人臉識別。2 直接學習

Preface 注：這篇今年 CVPR 2016 年的檢測文章 YOLO，我之前寫過這篇文章的解讀。但因為不小心在 Markdown 編輯器中編輯時刪除了。幸好同組的夥伴轉載了我的，我就直

Relation Networks for Object Detection 論文連結：https://arxiv.org/abs/1711.11575 程式碼連結：暫無，尚不清楚是否會公開這個是CVPR 2018的文章，雖然並沒有什麼巧妙的設

acl論文閱讀（Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification，中科大自動化所 Zhou ACL 2016）資料集詳情 SemEval-2010 Ta

引文：多目標跟蹤問題通常分為兩步：第一步是與時間無關的目標檢測，即針對每一視訊幀檢測出目標出現的位置，以及在這些位置上出現的置信度；第二步是在時間軸上連線候選目標形成軌跡，在生成軌跡時要儘可能保證同一條軌跡上的所有目標對應同一個真實物體，軌跡數量對應目標

Cascade R-CNN: Delving into High Quality Object Detection 樣本減少引發的過擬合在train和inference使用不一樣的閾值很容易導致mismatch(這一點在下面會有解釋) 作者為

論文首先提出了神經網路訓練的一個不好的現象：batch size的增大到一定程度，ResNet的分類準確率會下降。這個現象推翻了我以前的一個直覺：覺得batch size大，訓練的效果會更好。為了加快訓練的速度（增大batch size）同時保證準確率，論文

ans 過程上層適合其他簡易基礎上可能代碼 https://blog.csdn.net/qq_21949357/article/details/80538255 這篇論文其實讀起來還是比較難懂的，主要是細節部分很需要推敲，尤其是deformable的卷積如何實

在過幾天CVPR2016就要召開了，先放個list。 ORAL SESSION Image Captioning and Question Answering Monday, June 27th, 9:00AM - 10:05AM. These

裁剪部分損失函數過程 bject sin 關聯增加問題摘要 RefineDet是CVPR 2018的一篇論文，文中提出了一個新的single-shot檢測器RefineDet，實現了比二階段方法更高的準確率而且具有與一階段方法相當的效率。RefineDet包括兩