江西萍乡做网站公司,什么是友情链接?,营销策略怎么写模板,seo关键词优化排名外包特征上采样是现代卷积神经网络架构中的关键操作，例如特征金字塔。其设计对于密集预测任务，如目标检测和语义/实例分割至关重要。在本研究中，我们提出了一种称为内容感知特征重组（CARAFE）的通用、轻量级且高效的操作符，以实现这一目标。CARAFE具有以下几个优点：（1）大的…
特征上采样是现代卷积神经网络架构中的关键操作，例如特征金字塔。其设计对于密集预测任务，如目标检测和语义/实例分割至关重要。在本研究中，我们提出了一种称为内容感知特征重组（CARAFE）的通用、轻量级且高效的操作符，以实现这一目标。CARAFE具有以下几个优点：（1）大的视野。与之前的方法（例如双线性插值）只利用亚像素邻域不同，CARAFE可以在大的感受野内聚合上下文信息。（2）内容感知处理。CARAFE通过生成实时自适应的卷积核，实现了实例特定的内容感知处理，而不是对所有样本使用固定的卷积核（例如反卷积）。（3）轻量且计算速度快。CARAFE引入了很少的计算开销，并且可以轻松地集成到现代网络架构中。我们在目标检测、实例/语义分割和修复等标准基准上进行了全面评估。CARAFE在所有任务中都显示出一致且显著的性能提升（分别为1.2% AP、1.3% AP、1.8% mIoU和1.1dB），计算开销几乎可以忽略不计。它具有作为未来研究的强大构建块的潜力。
论文地址：https://arxiv.org/abs/1905.02188 代码地址：https: //github.com/open-mmlab/mmdetection
