refinement专题

Enriched Feature Guided Refinement Network for Object Detection（面向目标检测的丰富特征引导细化网络）

Jing Nie1∗ †, Rao Muhammad Anwer2∗, Hisham Cholakkal2, Fahad Shahbaz Khan2 Yanwei Pang1‡, Ling Shao2 1School of Electrical and Information Engineering, Tianjin University 2Inception Institute of Artif

context augmentation and feature refinement network for tiny object detection的一些理解

abstract 本文提出了一种结合增强上下文和细化特征的特征金字塔，将多尺度扩张卷积得到的特征自上向下融合注入特征金字塔，不同上下文信息，引入通道和空间特征细化机制，抑制多尺度特征融合中的冲突形成，防止微小目标消失在冲突信息中，此外提出了一种copy-reduction-paste的数据增强方法，该方法可以增加微小对象在训练过程中损失的贡献，确保训练更加均衡。直接重点！！！本文是针对F

生成抗体的生成GNN：Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design

网址： Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design | OpenReview ICLR 2022的高分论文[8，8，8]，目前没有给代码内容：抗体结合的特异性是由这些Y形蛋白末端的互补决定区(CDR)决定的。这篇论文提出了一个生成模型来同时生成CDR序列和相

DiffusionMat:Alpha Matting as sequential refinement learning

1.introduction DiffusionMat的基本思想是未知区域的抠图可以逐步改进，并从每一次的迭代的反馈中受益，纠正和细化结果。 2.related works Segdiff、BitDiffusion、DiffusionDet、 3.Approach 通过一种新颖的校正策略将trimap引导转化为精确的alpha matte。 3.1 Proceure

FREE:Feature Refinement for Generalized Zero-Shot Learning 中文版

摘要：广义零样本学习（GZSL）已经取得了显著的进展，许多工作致力于克服视觉-语义领域差距和已知-未知偏差的问题。然而，大多数现有方法直接使用仅在ImageNet上训练的特征提取模型，忽略了ImageNet和GZSL基准之间的跨数据集偏差。这种偏差不可避免地导致GZSL任务的视觉特征质量较差，可能限制对已知和未知类别的识别性能。在本文中，我们提出了一种简单而有效的GZSL方法，称为广义零样本学

论文阅读：Feature Refinement to Improve High Resolution Image Inpainting

项目地址：https://github.com/geomagical/lama-with-refiner 论文地址：https://arxiv.org/abs/2109.07161 发表时间：2022年6月29日项目体验地址：https://colab.research.google.com/github/advimman/lama/blob/master/colab/LaMa_inpainti

Learning a Deep Listwise Context Model for Ranking Refinement

总结不同query对应的doc分布可能不同，不能使用global打分函数（对query, doc建模），而要对（打分，doc）建模。步骤传统l2r，得到打分对打分rnn编码，query-specific ranking，attention loss根据2的结果re-rank 细节传统l2r打分传统排序策略，认为可以找到一个global function f ( x ( q ,

【阅读笔记】《RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation》

本文记录了博主阅读论文《RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation》的笔记，代码，更新于2019.05.21。文章目录 AbstractIntroductionRelated Work BackgroundProposed MethodMulti-Path Refi

论文解读Motion Transformer with Global IntentionLocalization and Local Movement Refinement

Motion Transformer with Global IntentionLocalization and Local Movement Refinement 论文精读此篇论文是2022年发表NeurIPS上的文章，代码即将在GitHub开源。目前占据waymo open dataset leadboard运动预测榜单榜首。摘要：预测交通参与者的行为对于自动驾驶车辆做决策至关重要。现

生成抗体的生成GNN：Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design

网址： Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design | OpenReview ICLR 2022的高分论文[8，8，8]，目前没有给代码内容：抗体结合的特异性是由这些Y形蛋白末端的互补决定区(CDR)决定的。这篇论文提出了一个生成模型来同时生成CDR序列和相

RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing弱监督框架

我们提出了一个两阶段的弱监督dehazing框架，RefineDNet。在第一阶段，RefineDNet在恢复可见性之前采用暗通道-----恢复可见性在第二阶段，对结果细化，通过使用未配对的雾状清晰图像进行对抗性学习--------提高真实性（只需要去除伪影—弱监督）为了得到更合格的结果，我们还提出了一种有效的感知融合策略来融合不同的去杂输出。基于学习的视觉效果好，基于先验的去雾效果好。

产品待办列表细化 (Product Backlog Refinement)

什么是产品积压细化? 产品待办事项优化是向产品待办事项中的项目添加细节、估计和订单的行为。这是一个持续的过程，在这个过程中，产品所有者和开发团队就产品待办事项的细节进行协作。在产品待办事项优化过程中，对项目进行审查和修订。产品待办列表细化 (PBR) 是改进要完成的（软件）工作列表的持续过程。PBR 是决定必须完成什么以及以什么顺序完成的基石。在本文中，我们描述了产品待办列表细化的主要活

Deep Learning Assisted Channel Estimation Refinement in Uplink OFDM Systems Under Time-Varying Chann

题目：Deep Learning Assisted Channel Estimation Refinement in Uplink OFDM Systems Under Time-Varying Channels（利用深度学习进行信道估计） 1.1 摘要设计一个CPR-DNN网络来应对时变信道参数的估计，采用的是全连接深度神经网络。这个网络是将深度学习和传统的信道估计算法相结合。 2.1

Single-Shot Refinement Neural Network for Object Detection

Single-Shot Refinement Neural Network for Object Detection 目标检测的单次优化神经网络 Shifeng Zhang, Longyin Wen, Xiao Bian, Zhen Lei, Stan Z. Li CBSR & NLPR, Institute of Automation, Chinese Academy of Sciences

Rethinking Text Segmentation: A Novel Dataset and A Text-Specific Refinement Approach

Rethinking Text Segmentation: A Novel Dataset and A Text-Specific Refinement Approach 重新思考文本分割：一种新的数据集和文本细化方法代码地址：https://github.com/SHI-Labs/Rethinking-Text-Segmentation 作者模型测试结果：自己训练模型测试结果：摘要

论文阅读笔记---Image Inpainting with Local and Global Refinement

论文链接： https://weizequan.github.io/TIP2022/Image_Inpainting_with_Local_and_Global_Refinement-compressed.pdf代码链接： https://github.com/weizequan/LGNet 文章提出了一个关于感受野的三阶段修复框架。首先应用具有大感受野（覆盖整个图像）的粗修补网络来填充

《RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing》论文阅读

《RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing》论文阅读文章目录《RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing》论文阅读论文简介摘要介绍本文主要贡献提出的网络框架

[论文分享] Self-Promoted Prototype Refinement for Few-Shot Class-Incremental Learning

这篇论文是CVPR’ 2021的一篇Few-Shot增量学习(FSCIL)文章 No.contentPAPER{CVPR’ 2021} Self-Promoted Prototype Refinement for Few-Shot Class-Incremental LearningURL论文地址CODE代码地址 1.1 Motivation · 小样本增量学习增量类别样本过少，不足以训练好