DSNet: A Novel Way to Use Atrous Convolutions in Semantic Segmentation 论文链接：http://arxiv.org/abs/2406.03702 代码链接：https://github.com/takaniwa/DSNet 一、摘要   重新审视了现代卷积神经网络（CNNs）中的atrous卷积的设计，并证明了使用大内核

when ECCV 2018 what 空间金字塔池模块或编码 - 解码器结构用于深度神经网络中解决语义分割任务。前一种网络能够通过利用多个速率和多个有效视场的过滤器或池化操作探测输入特征来编码多尺度上下文信息，而后一种网络可以通过逐渐恢复空间信息来捕获更清晰的对象边界。在这项工作中，我们建议结合两种方法的优点。具体来说，我们提出的模型DeepLabv3 +通过添加一个简单而有效的解码

空洞卷积（Atrous Convolution），在 TensorFlow 中通过 tf.nn.atrous_conv2d 函数实现，是一种强大的工具，用于增强卷积神经网络的功能，特别是在处理图像和视觉识别任务时。这种方法的核心在于它允许网络以更高的分辨率捕获图像信息，同时不增加额外的计算负担。 标准卷积网络通过过滤器逐步减少图像的空间分辨率，以提取重要的特征。然而，这种方法会损失一些细节信息，

作者信息   第一作者Siyuan Qiao目前是约翰霍普金斯大学的博士生，第二作者是著名的DeepLab系列算法的主要作者、谷歌公司的研究员Liang-Chieh Chen。   在COCO数据集的实例分割和全景分割任务中，DetectoRS，成为当前目标检测、语义分割和全景分割领域的全能者。   介绍 在本文中，作者探索了用于目标检测的主干设计中的这种机制。在宏级别提出

ASPP是基于空洞卷积(Dilatd/Atrous Convolution)和SPP(空间金字塔池化)的。用空洞卷积代替了单纯的adaptivepooling. ASPP对所给定的输入以不同采样率的空洞卷积并行采样，相当于以多个比例捕捉图像的上下文。             ASPP实际上是空间金字塔池的一个版本，其中的概念已经在SPPNet中描述。在ASPP中，在输入特征映射中应用

文章目录 1、论文总述2、baseline：HTC介绍3、ASPP模块介绍4、RFP模块的具体实现5、SAC模块的具体实现6、SAC与条件卷积的区别7、SAC中的global context与SENet中的不同8、 Ablation Studies9、 State-of-the-art comparison on COCO test-dev10、SAC和RFP的优势（可视化结果）参考文献

0 写在前面 开源基于mmdetection 1 递归特征金字塔（RFP） 提出的递归特征金字塔（RFP）建立在特征金字塔上（FPN），通过额外的反馈链接从FPN层合并到自下而上的骨干层，将递归结构展开为顺序实现。该主干网络可以将图像查看两次或更多次。 （a）为FPN的经典结构（b）中的连接线为RFP提出的反馈连接方式（c）展示了RFP按顺序展开的网络反馈链接为第一次FPN各层输出经过A

DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution Abstract 许多现代的物体探测器都是通过观察和思考两遍的机制表现出出色的性能。在本文中，本文在目标检测的主干设计中探讨了这种机制。在宏观层面，本文提出了递归特征金字塔，它将特征金字塔网络的额外反馈连接