2.attention ss note
2023年3月30日13:20:19
围绕attention mechanism的semantic segmentation论文创新点

1.Innovation Point
《Attention Forest for Semantic Segmentation》2018
鲁棒性强的注意力机制——Attention Forest结构
将注意力机制从单一的一维映射扩展到了多维度的嵌套树结构中
《Improved U-NET Semantic Segmentation Network》2020
基于残差网络和注意力机制的改进 U-NET 语义分割网络
综合利用两者优势
《Semantic Segmentation using Light Attention Mechanism》2020
在编码-解码网络中引入了轻量级的注意力机制
以便于在训练过程中聚焦于只关注必要的特征
《GSANET: SEMANTIC SEGMENTATION WITH GLOBAL AND SELECTIVE ATTENTION》2020
新的深度学习架构——全局和选择性注意力网络 (GSANet),其特征在于使用 Atrous Spatial Pyramid Pooling(ASPP)与新的sparsemax全局注意力和新的选择性注意力,采用凝聚和扩散机制汇聚提取的深层特征的多尺度上下文信息。同时,本文还提出了选择性注意力解码器,用于处理GSA-ASPP输出以优化softmax体积
《Covariance Attention for Semantic Segmentation》2020
新的关注模块——协方差注意力,并将其用于语义分割任务中。该模块采用协方差矩阵来建模全局和局部的依赖关系,实现了一个简单的矩阵投影过程,从而提高了分割性能。同时,本文还将手工特征和学习特征有效地结合起来,利用协方差矩阵提高了分割性能,提出了一种基于协方差注意力的语义分割框架CANet
《A Semantic Segmentation Algorithm Based on Improved Attention Mechanism》2020
一种基于视觉注意力机制的语义分割网络GSANet,通过引入ASPP结构GASPP和全局注意力信息,提供更好的长距离细节信息,同时在解码器阶段引入新的SAM选择性注意模块,为不同的空间位置提供不同的注意权重信息
《Efficient Attention Pyramid Network for Semantic Segmentation》2021
高效的注意力金字塔网络(EAPNet),其中包括了基于多尺度和通道注意力的有效上下文特征构建、高效通道注意力金字塔(ECAP)和残差注意力融合块(RAFB)等创新设计
《Multiple-Attention Mechanism Network for Semantic Segmentation》2022
双重注意机制和跨维度交互式注意力特征融合模块,用于捕捉空间和通道维度的特征依赖性
《双注意力引导的跨层优化交通场景语义分割》2022
多分支特征提取编码网络、基于空间对齐的跨层特征融合解码网络和通道与空间注意力机制模块的结合
《基于双注意力模块的FDA-DeepLab语义分割网络》2022
融合通道注意力机制和空间注意力机制的特征融合模块,并通过引入样本难度权重调节因子和类别权重改进损失函数,
《融合多尺度与注意力机制的智能车间场景目标轻量级语义分割》2022
融合双路平均池化和三分支注意力机制的轻量级语义分割网络,结合不同的轻量级卷积神经网络和解码器
《基于多尺度、多路注意力融合机制的多模态高等级脑胶质瘤语义分割网络》2022
多尺度特征提取、多路注意力融合机制和集成学习策略
《基于小目标类别注意力机制与特征融合的AF-ICNet非结构化场景语义分割方法》2023
空洞空间卷积池化金字塔、CA注意力机制和改进的权重交叉熵损失函数
《多尺度注意力线束端子实时语义分割网络》2023
MRF模块和特征融合跳跃连接
《Research on the semantic segmentation algorithm for automatic driving with improved HRNet》2022
基于HRNet联合交叉注意机制的图像语义分割算法,解决了当前主流图像语义分割算法提取的特征图分辨率低、上采样过程中有效语义信息过度丢失以及目标物体区域像素点和相关性容易丢失的问题,通过在训练过程中将去噪模块引入到分割模型中
《Bilateral U-Net semantic segmentation with spatial attention mechanism》2022
基于双边 U-Net 网络和空间注意力机制的语义分割模型,通过添加 Attentive Pyramid Spatial Attention (APSA) 模块和上下文融合预测分支
《GLSANet: Global-Local Self-Attention Network for Remote Sensing Image Semantic Segmentation》2023
全局-局部自注意力机制,通过上下文融合模块将全局和局部信息进行自适应融合,能够同时考虑全局和局部上下文信息
《Edge-reinforced attention network for smoke semantic segmentation》2023
基于边界增强和注意力机制的烟雾语义分割框架EANet,融合了语义分割和边界检测任务,并通过边界监督来指导语义分割任务,同时采用三种注意力机制和自适应融合层
《Depth Guidance and Intradomain Adaptation for Semantic Segmentation》2023
一种基于深度信息的自适应框架DAF和内域自适应策略IDA,通过利用语义和深度信息之间的内在相关性来适应不同领域之间的差异,其中采用基于通道注意力机制的深度估计网络提供额外的深度信息,通过提出的深度感知排序策略来消除目标域内部分布的差异
《Daabnet: Depth-Wise Asymmetric Attention Bottleneck for Real-Time Semantic Segmentation》2023
设计了两个特征提取模块,一个基于深度可分离卷积和注意力机制的Depth-wise Asymmetric Attention Bottleneck (DAAB)模块和一个结合了Strip Pooling和注意力机制的Strip Pooling Attention (SPA)模块

2.Research Target
《Attention Forest for Semantic Segmentation》2018
解决语义分割任务中传统CNN难以有效解决的低置信度区域问题
《Improved U-NET Semantic Segmentation Network》2020
更好的图像处理效果
《Semantic Segmentation using Light Attention Mechanism》2020
提高语义分割的准确度
《GSANET: SEMANTIC SEGMENTATION WITH GLOBAL AND SELECTIVE ATTENTION》2020
提高语义分割的准确性
《Covariance Attention for Semantic Segmentation》2020
很好的性能
《A Semantic Segmentation Algorithm Based on Improved Attention Mechanism》2020
显著提高了准确性
《Efficient Attention Pyramid Network for Semantic Segmentation》2021
更好的性能
《Multiple-Attention Mechanism Network for Semantic Segmentation》2022
更好的性能
《双注意力引导的跨层优化交通场景语义分割》2022
解决交通场景目标分割边缘不平滑以及小目标难以准确分割等问题
《基于双注意力模块的FDA-DeepLab语义分割网络》2022
提高了图像语义分割精度
《融合多尺度与注意力机制的智能车间场景目标轻量级语义分割》2022
在保证分割精度的同时实现了高速实时性,满足智能车间场景目标语义分割的需求
《基于多尺度、多路注意力融合机制的多模态高等级脑胶质瘤语义分割网络》2022
能够准确分割高等级脑胶质瘤病灶区,并在三维方向上具有良好的边界连续性
《基于小目标类别注意力机制与特征融合的AF-ICNet非结构化场景语义分割方法》2023
提升了非结构化道路及小目标类别的分割精度,并满足实时性要求
《多尺度注意力线束端子实时语义分割网络》2023
更精准、更快速
《Research on the semantic segmentation algorithm for automatic driving with improved HRNet》2022
提高了训练速度和稳健性,相对于原始分割模型在广泛使用的Cityscapes数据集上取得了83.2%的mIoU
《Edge-reinforced attention network for smoke semantic segmentation》2023
提高分割结果的细节和物体边界的清晰度,解决了样本不平衡问题
《Depth Guidance and Intradomain Adaptation for Semantic Segmentation》2023
跨域任务中取得了较好的语义分割性能
《Daabnet: Depth-Wise Asymmetric Attention Bottleneck for Real-Time Semantic Segmentation》2023
实现实时语义分割,并在参数数量、速度和准确性等方面取得了令人瞩目的平衡
《GLSANet: Global-Local Self-Attention Network for Remote Sensing Image Semantic Segmentation》2023
提高遥感图像语义分割精度
《Bilateral U-Net semantic segmentation with spatial attention mechanism》2022
有效提高小数据集的分割精度,实验结果表明在 CamVid 数据集上的 mIOU 达到了 75.85%,并且在 VOC 2012 数据集上经过实验证明该模型的通用性和 APSA 模块的有效性
/
本蒙の语义分割-330
run and gun
/