.png){kind=icon}
返回
IRQNet: Implicit Representation Querying Network for Semantic Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5693-9_31.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
解码器在语义分割网络中发挥着重要作用，它决定了从抽象特征预测目标的有效性。然而，现有工作大多使用上采样子网络逐步重建高分辨率输出。这往往会影响到类间边界的分割精度，并模糊解析结果的边缘。为解决这一问题，我们提出了隐式表示查询网络（IRQNet），利用已知信息查询解码结果。预测过程对应于一个连续的坐标基函数，将信息映射到语义标签，用于直接查询高分辨率结果，而非恢复特征。为进一步增强上下文理解和注意力引导，我们引入了信息增强模块，包括可变形融合和位置编码。我们的方法在两个流行的场景分割数据集上取得了显著提升，证明了其有效性。代码可在 https://github.com/nchennnn/IRQNet 获取。
Keyword:
Semantic Segmentation
Querying Decoder
Implicit Neural Representation
期刊
P
IF:
0
论文数:
27
被引数:
0
机构
引用论文
.png){kind=icon}
SSNet: A Novel Transformer and CNN Hybrid Network for Remote Sensing Semantic SegmentationSSNet: 一种用于遥感语义分割的新型Transformer和CNN混合网络
OAAI
OAAI分享收藏分享收藏Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers从序列到序列的角度重新思考语义分割OAAI
OAAI分享收藏分享收藏DeepSDF: Learning Continuous Signed Distance Functions for Shape RepresentationDeepSDF: 学习用于形状表示的连续符号距离函数
PREAI
分享收藏
查看更多内容