大家好，欢迎来到IT知识分享网。
看主页置顶，或者[水论文]即插即用的下采样模块，HWD，该模块可以很容易地集成到cnn中，以增强语义分割模型的性能_哔哩哔哩_bilibili
摘要：
下采样操作，如最大池化或跨步卷积，在卷积神经网络(cnn)中被广泛使用，以聚合局部特征，扩大感受野，并最小化计算开销。然而，对于语义分割任务，局部邻域的特征池化可能会导致重要空间信息的丢失，而这有利于像素级预测。为解决这个问题，本文提出一种简单而有效的池化操作，称为Haar小波下采样(HWD)模块。该模块可以很容易地集成到cnn中，以增强语义分割模型的性能。HWD的核心思想是利用Haar小波变换在尽可能多地保留特征图信息的同时降低特征图的空间分辨率。此外，为了研究HWD的好处，提出了一种新的度量，称为特征熵指数(FEI)，它衡量在cnn中降采样后的信息不确定性程度。具体来说，FEI可以用来表明下采样方法在语义分割中保持必要信息的能力。综合实验表明，所提出的HWD模块可以(1)有效地提高跨不同模态图像数据集的分割性能，以及(2)与传统的下采样方法相比，有效地降低信息不确定性。
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://haidsoft.com/148692.html
