人物|计算机视觉大牛沈春华回国全职加入浙江大学计算机辅助设计与图形学国家重点实验室( 二 )_计算机视觉大牛沈春华回国|全

Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections

FCOS: Fully Convolutional One-Stage Object Detection

人物|计算机视觉大牛沈春华回国全职加入浙江大学计算机辅助设计与图形学国家重点实验室

文章图片

Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections

文章图片

论文地址：http://techimg88.easyfang.com/img.php?https://arxiv.org/pdf/1603.09056.pdf

在这篇论文中，研究团队提出了一个非常深的全卷积编码解码框架，用于图像恢复，例如去噪和超分辨率。该网络由多层卷积和反卷积算子组成，学习从损坏图像到原始图像的端到端映射。
该研究将卷积层和反卷积层与跳过层连接对称地连接起来，从而模型可以训练收敛得更快，并获得更高质量的局部最优解。

文章图片

RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation

文章图片

论文地址：http://techimg88.easyfang.com/img.php?https://arxiv.org/pdf/1611.06612.pdf
RefineNet的提出针对的是，深度 CNN 中的池化或卷积跨步（striding）等重复子采样操作会导致初始图像分辨率显著降低的现象。
RefineNet是一种通用的多路径细化网络，它明确利用下采样过程中的所有可用信息，以使用远程残差连接进行高分辨率预测。通过这种方式，可以使用来自早期卷积的细粒度特征直接细化捕获高级语义特征的更深层。
RefineNet 的各个组件采用遵循身份映射思维方式的残差连接，从而实现有效的端到端训练。此外，还引入了链式残差池，它以有效的方式捕获丰富的背景上下文。