Structure and position-aware graph neural network for airway labeling
Radboudumc（拉德堡德大学医学中心）；Thirona（Thirona 公司）
我们提出了一种新的基于图形的方法来标记给定的气道树分割的解剖分支。所提出的方法将气道标记公式化为气道树图中的分支分类问题，其中使用卷积神经网络（CNN）提取分支特征，并使用图神经网络进行富集。我们的图神经网络是结构感知的，通过让每个节点聚合来自其本地邻居的信息，并通过编码图中的节点位置来感知位置。我们评估了所提出的方法对220个气道树从不同严重程度阶段的慢性阻塞性肺疾病（COPD）的主题。结果表明，我们的方法是计算效率和显着提高分支分类性能比基线方法。与标准CNN方法的83.83%相比，我们的方法标记所有18个节段气道分支的总体平均准确率达到91.18%。我们在https://github.com/DIAGNijmegen/spgnn上发布了源代码。所提出的算法也可在https://grand-challenge.org/algorithms/airway-anatomical-labeling/上公开获得。
2022-01-12 cs.CV
CALM-Net: Curvature-Aware LiDAR Point Cloud-based Multi-Branch Neural Network for Vehicle Re-Identification
Robotics Program（机器人学项目）；Department of Mechanical Engineering（机械工程系）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出CALM-Net，一种融合曲率嵌入、边缘卷积和点注意力的多分支神经网络，用于LiDAR点云车辆再识别，在nuScenes数据集上较最强基线平均准确率提升约1.97个百分点。
2025-10-16 cs.CV
Automated Search for Resource-Efficient Branched Multi-Task Networks
ETH Zurich（苏黎世联邦理工学院）
许多视觉问题的多模态性质要求神经网络架构可以同时执行多个任务。通常，这样的架构在文献中是手工制作的。然而，考虑到问题的规模和复杂性，这种手动架构探索可能超出了人类的设计能力。在本文中，我们提出了一个原则性的方法，植根于可微神经结构搜索，自动定义分支（树状）结构的编码阶段的多任务神经网络。为了允许在资源受限的环境中的灵活性，我们引入了一个无代理的，资源感知的损失，动态控制模型的大小。对各种密集预测任务的评估表明，我们的方法始终在有限的资源预算内找到高性能的分支结构。
2021-05-11 cs.CV
LookinGood^π: Real-time Person-independent Neural Re-rendering for High-quality Human Performance Capture
Zhejiang University（浙江大学）；NetEase Games（网易游戏）
提出了一种新的神经重渲染方法LookinGood^π，其目的是（1）提高实时的【形】重建结果的渲染质量;（2）提高神经渲染网络对未知人的泛化能力。我们的核心思想是利用重建几何的渲染图像作为指导，以帮助预测的人特定的细节，从几个参考图像，从而提高重新渲染的结果。为此，我们设计了一个双分支网络。粗略分支被设计为修复一些伪像（即孔、噪声）并获得渲染输入的粗略版本，而细节分支被设计为从扭曲的参考预测“正确”的细节。在细节分支的训练中，通过有效地融合两个分支的特征，实现了对绘制图像的引导，提高了变形精度和细节保真度。我们证明，我们的方法优于国家的最先进的方法在生产高保真图像看不见的人。
2023-02-16 cs.CV
Learning Two-Branch Neural Networks for Image-Text Matching Tasks
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Georgia Institute of Technology（佐治亚理工学院）
图像-语言匹配任务最近在计算机视觉领域引起了广泛的关注。这些任务包括图像-句子匹配，即，给定图像查询，检索相关句子，反之亦然，以及区域短语匹配或视觉基础，即，将短语与相关区域进行匹配。本文研究了两个分支神经网络学习这两种数据模式之间的相似性。我们提出了两种网络结构，产生不同的输出表示。第一个，被称为嵌入网络，学习一个显式的共享潜在嵌入空间，具有最大边际排名损失和新的邻域约束。与标准的三重采样相比，我们进行了改进的邻域采样，在构建小批量时考虑了邻域信息。第二种网络结构，称为相似性网络，通过逐元素乘积融合两个分支，并使用回归损失进行训练，以直接预测相似性得分。大量的实验表明，我们的网络在Flickr 30 K实体数据集上实现了短语定位的高准确率，在Flickr 30 K和MSCOCO数据集上实现了双向图像-句子检索。
2018-05-01 cs.CV
Fast Point Voxel Convolution Neural Network with Selective Feature Fusion for Point Cloud Semantic Segmentation
University of Missouri（密苏里大学）
我们提出了一种新的轻量级卷积神经网络的点云分析。与目前许多通过下采样点云来增加感受野的CNN相比，我们的方法直接对整个点集进行操作而无需采样，并且有效地实现了良好的性能。我们的网络由点体素卷积（PVC）层作为构建块组成。每一层都有两个平行的分支，即体素分支和点分支。对于体素分支，我们聚集非空体素中心的局部特征，以减少体素化引起的几何信息丢失，然后应用体积卷积来增强局部邻域几何编码。对于点分支，我们使用多层感知器（MLP）来提取精细详细的逐点特征。来自这两个分支的输出通过特征选择模块自适应地融合。此外，我们监督每个PVC层的输出，以学习不同层次的语义信息。最终预测是通过平均所有中间预测来进行的。我们的经验表明，我们的方法是能够实现可比的结果，同时是快速和内存效率。我们评估我们的方法对流行的点云数据集的对象分类和语义分割任务。
2021-09-23 cs.CV
Classification and Detection in Mammograms with Weak Supervision via Dual Branch Deep Neural Net
University of Haifa（海法大学）；IBM Research（IBM研究院）；Bar Ilan University（巴伊兰大学）
生成专家注释的高成本对医学成像中的监督机器学习方法造成了很大的限制。弱监督方法可能会为这种纠结提供解决方案。在这项研究中，我们提出了一种新的深度学习架构，用于根据其包含异常的严重程度对乳房X线照片进行多类分类，在图像上只有一个全局标签。所建议的方案还允许在完全分辨率下定位不同类型的发现。新方案包含一个双分支网络，结合区域级分类与区域排名。我们评估了我们的方法在一个大型多中心乳房X光摄影数据集，包括$\sim$ 3,000乳房X光照片与各种异常，并证明了所提出的方法比以前的弱监督策略的优势。
2019-04-28 cs.CV
Stripe-based and Attribute-aware Network: A Two-Branch Deep Model for Vehicle Re-identification
Zhejiang University（浙江大学）；Beijing Electro-mechanical Engineering Institute（北京机电工程研究所）
随着监控摄像机在公共安全领域的广泛应用，车辆再识别技术在计算机视觉领域引起了越来越多的关注。然而，车辆Re-ID仍然遭受相似性的挑战，尽管努力解决这个问题。这个挑战涉及区分具有几乎相同外观的不同实例。在本文中，我们提出了一种新的基于两分支条带和属性感知的深度卷积神经网络（SAN）来学习车辆Re-ID任务的有效特征嵌入。该神经网络由基于条纹的分支和基于属性的分支组成，能够自适应地从车辆的视觉外观中提取具有鉴别力的特征。水平平均池化和降维卷积层被插入到基于条带的分支中以实现部件级特征。同时，属性感知分支在车辆属性标签的监督下提取全局特征，以分离具有不同属性标注的相似车辆身份。最后，将局部特征和全局特征串联在一起，形成车辆Re-ID输入图像的最终描述符。最终描述符不仅可以区分不同属性的车辆，还可以区分具有相同属性的车辆身份。在VehicleID和VeRi数据库上的大量实验表明，所提出的SAN方法优于其他最先进的车辆Re-ID方法。
2019-10-12 cs.CV
A Deep Retinal Image Quality Assessment Network with Salient Structure Priors
Central South University（中南大学）
视网膜图像质量评价是视网膜疾病诊断的重要前提。它的目标是识别视网膜图像，其中最吸引眼科医生的解剖结构和病变显示清晰，明确，而拒绝质量差的眼底图像。出于这一动机，我们模仿眼科医生评估视网膜图像质量的方式，并提出了一种称为SalStructuIQA的方法。第一，用于自动视网膜质量评估的两个突出结构。一种是大尺寸的突出结构，包括视盘区和大尺寸的渗出物。另一类是以血管为主的微小突起结构。然后，我们将所提出的两个显著结构先验与深度卷积神经网络（CNN）相结合，以将CNN的焦点转移到显著结构上。因此，我们开发了两种CNN架构：双分支SalStructIQA和单分支SalStructIQA。双分支SalStructIQA包含两个CNN分支，一个由大尺寸的突出结构引导，而另一个由微小尺寸的突出结构引导。单分支SalStructIQA包含一个CNN分支，该分支由大尺寸和微小尺寸的突出结构的级联引导。在Eye-Quality数据集上的实验结果表明，我们提出的双分支SalStructIQA优于现有的视网膜图像质量评估方法，而单分支SalStructIQA与现有的深层视网膜图像质量评估方法相比具有更轻的权重，并且仍然具有竞争力的性能。
2020-12-31 cs.CV
DuEDL: Dual-Branch Evidential Deep Learning for Scribble-Supervised Medical Image Segmentation
Zhejiang University of Technology（浙江工业大学）
针对涂鸦标注医学图像分割中准确性与可靠性权衡问题，提出双分支证据深度学习框架DuEDL，通过双分支证据融合和联合损失训练，在不牺牲准确性的前提下提升模型可靠性与泛化能力。
2024-05-23 cs.CV
Regularizing Neural Networks via Stochastic Branch Layers
POSTECH（浦项科技大学）；Seoul National University（首尔大学）；The Neural Processing Research Center（神经处理研究中心）；Kakao Corporation（Kakao公司）
我们为深度神经网络引入了一种新的随机正则化技术，该技术将一层分解为具有不同参数的多个分支，并在训练期间合并分支输出的随机采样组合。由于因式分解的分支可以通过线性运算折叠成单个分支，因此与普通层相比，推理不需要额外的复杂性。所提出的正则化方法，称为StochasticBranch，适用于任何线性层，如全连接层或卷积层。所提出的正则化器允许模型通过多个分支组合来探索模型参数空间的不同区域，以找到更好的局部最小值。大量的实验表明，我们的方法有效地正则化网络，并进一步提高泛化性能时，与其他现有的正则化技术一起使用。
2019-10-03 cs.CV cs.LG
Weakly and Semi Supervised Detection in Medical Imaging via Deep Dual Branch Net
University of Haifa（海法大学）；IBM Research（IBM研究院）；Bar-Ilan University（巴伊兰大学）
这项研究提出了一种新的深度学习架构，用于通过对乳房X线照片的实验说明医学成像中异常的多类分类和定位。该网络结合了两个学习分支。一个分支是用于具有新添加的正常区域类的区域分类。第二分支是区域检测分支，用于相对于彼此对区域进行排序。我们的方法能够在弱监督和半监督设置下以全乳房X线照片分辨率检测异常。一种新的目标函数允许将局部注释并入模型中。我们提出了我们的计划的分类和本地化的几个性能指标的影响，以评估病变注释工作的成本效益。我们的评价主要是在$\sim$ 3，000张乳腺X线照片的大型多中心乳腺X线照片数据集上进行的，结果不同。弱监督学习的结果表明，与以前的方法相比，有显着的改善。我们表明，耗时的本地注释参与监督学习可以解决弱监督的方法，可以利用本地注释数据的子集。弱监督和半监督方法与检测相结合，可以产生一个成本效益和可解释的模型，供放射科医生在该领域采用。
2020-03-19 cs.CV
Semantic Segmentation for Partially Occluded Apple Trees Based on Deep Learning
Monash University（莫纳什大学）
果树修剪和疏果需要一个功能强大的视觉系统，可以提供高分辨率的分割果树及其分支。然而，最近的作品只考虑休眠季节，有最小的闭塞的分支或拟合多项式曲线来重建分支形状，因此，失去了有关分支厚度的信息。在这项工作中，我们应用了两个最先进的监督学习模型U-Net和DeepLabv 3，以及一个条件生成对抗网络Pix 2 Pix（有和没有遮挡）来分割部分遮挡的2D开V苹果树。采用二分准确率、平均IoU、边界F1得分和阻塞分支召回率等指标对模型进行评价。DeepLabv 3在二进制精度，平均IoU和边界F1得分方面优于其他模型，但在阻塞分支召回方面被Pix 2 Pix（无阻塞）和U-Net超越。我们定义了两个难度指数来量化任务的难度：（1）阻塞难度指数和（2）深度难度指数。我们分析了最差的10个图像在两个难度指数的分支回忆和阻塞分支回忆。U-Net在当前指标中优于其他两个模型。另一方面，Pix 2 Pix（不带pix）提供了更多关于分支路径的信息，这些信息没有被指标反映出来。这突出了需要更具体的指标恢复闭塞的信息。此外，这表明图像传输网络对于遮挡背后的幻觉的有用性。未来的工作需要进一步增强模型，以从遮挡中恢复更多信息，以便该技术可以应用于商业环境中的农业任务自动化。
2020-10-14 cs.CV
Multi-branch Spatio-Temporal Graph Neural Network For Efficient Ice Layer Thickness Prediction
Lehigh University（里海大学）
提出多分支时空图神经网络，结合GraphSAGE和时间卷积，从顶层冰层厚度预测深层厚度，在准确性和效率上优于现有融合模型。
2024-11-06 cs.CV cs.LG
Gait Recognition via Deep Residual Networks and Multi-Branch Feature Fusion
School of Mechanical and Electrical Engineering, Osh State University（机械与电子工程学院，奥什州大学）
本文提出一种高精度步态识别框架，通过多分支架构结合深度残差学习，融合步态动态与身体形状特征，提升在视角变化、着装变化等干扰下的识别性能。
2026-04-30 cs.CV
MBDF-Net: Multi-Branch Deep Fusion Network for 3D Object Detection
Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所）；the Second Academy of CASIC（中国航天科工集团第二研究院）
点云和图像在表示3D对象时可以提供补充信息。融合两种数据通常有助于改善检测结果。然而，这是具有挑战性的融合两种数据模态，由于其不同的特性和干扰的非感兴趣的领域。为了解决这个问题，我们提出了一种用于3D目标检测的多分支深度融合网络（MBDF-Net）。所提出的检测器有两个阶段。在第一阶段中，我们的多分支特征提取网络利用自适应注意力融合（AAF）模块从单模态语义特征产生跨模态融合特征。在第二阶段中，我们使用感兴趣区域（ROI）池融合模块来生成增强的局部特征进行细化。提出了一种新的基于注意力的混合采样策略，用于选择下采样过程中的关键点。我们在两个广泛使用的基准数据集上评估了我们的方法，包括KITTI和SUN-RGBD。实验结果表明，我们的方法比国家的最先进的方法的优势。
2021-08-29 cs.CV
Diagnose like a Radiologist: Attention Guided Convolutional Neural Network for Thorax Disease Classification
Beijing Jiaotong University（北京交通大学）；University of Technology Sydney（悉尼科技大学）；Xiamen University（厦门大学）
本文考虑的任务胸部疾病分类的胸部X线图像。现有的方法通常使用全局图像作为网络学习的输入。这种战略有两个方面的局限性。1)胸部疾病通常发生在疾病特异性的（小）局部区域。使用全局图像训练CNN可能会受到（过多）不相关噪声区域的影响。2)由于某些CXR图像对齐不良，不规则边界的存在阻碍了网络性能。在本文中，我们通过提出一个三分支注意力引导卷积神经网络（AG-CNN）来解决上述问题。AG-CNN 1）从疾病特定区域学习以避免噪音并改善对齐，2）还集成了全局分支以补偿局部分支丢失的区分线索。具体来说，我们首先使用全局图像学习全局CNN分支。然后，在全局分支生成的注意力热图的指导下，我们推理出一个掩码，从全局图像中裁剪出一个有区别的区域。本地区域用于训练本地CNN分支。最后，我们将全局和局部分支的最后一个池化层连接起来，以微调融合分支。综合实验在ChestX-ray 14数据集上进行。我们首先报告了一个强大的全球基线，以ResNet-50为骨干，平均AUC为0.841。在将局部线索与全局信息相结合后，AG-CNN将平均AUC提高到0.868。当使用DenseNet-121时，平均AUC达到0.871，这是社区中的最新技术水平。
2018-01-30 cs.CV
HOB-CNN: Hallucination of Occluded Branches with a Convolutional Neural Network for 2D Fruit Trees
Monash University（莫纳什大学）
由于全球劳动力短缺，果园自动化最近引起了研究人员的关注。要自动执行果园中的任务，如修剪、间伐和收获，需要对树结构有详细的了解。然而，来自叶子和果实的遮挡可能使预测被遮挡的树干和树枝的位置具有挑战性。这项工作提出了一种基于回归的深度学习模型，即被遮挡树枝的幻觉卷积神经网络（HOB-CNN），用于在不同遮挡条件下预测树枝位置。我们制定树分支位置预测作为一个回归问题的分支沿垂直方向或反之亦然的水平位置。我们提出了比较实验的Y形树与两个国家的最先进的基线，代表共同的方法来解决这个问题。实验表明，HOB-CNN在预测分支位置方面优于基线，并对不同程度的遮挡表现出鲁棒性。我们进一步针对两种不同类型的2D树验证了HOB-CNN，HOB-CNN显示了不同树的泛化能力和不同遮挡条件下的鲁棒性。
2022-07-28 cs.CV eess.IV
ANDHRA Bandersnatch: Training Neural Networks to Predict Parallel Realities
Blekinge Institute of Technology（布莱金厄理工学院）
本研究受多世界诠释启发，提出ANDHRA Bandersnatch架构，通过每层拆分输入为平行分支形成多网络头，联合训练后在推理时能找到优于基线准确率的头，参数和计算成本与基线相同。
2024-11-28 cs.CV
Deep Convolutional Neural Networks with Merge-and-Run Mappings
Zhejiang University（浙江大学）；Microsoft Research（微软研究院）；UC San Diego（加州大学圣地亚哥分校）
通过堆叠一系列剩余块构建的深度剩余网络易于训练，因为身份映射跳过了剩余分支，从而改善了信息流。为了进一步降低训练难度，我们提出了一个简单的网络架构，深度合并和运行神经网络。新颖之处在于模块化的构建块，合并和运行块，其通过合并和运行映射并行地组装残余分支：对这些残余分支的输入进行平均（Merge），并将平均值分别添加到每个残余分支的输出作为后续残余分支的输入（Run）。我们证明了合并和运行映射是一个线性幂等函数，其中变换矩阵是幂等的，从而改善了信息流，使训练变得容易。与剩余网络相比，我们的网络具有令人信服的优势：它们包含更短的路径，以及宽度，即，增加了信道的数量。我们评估的标准识别任务的性能。我们的方法在具有可比设置的ResNets上表现出一致的改进，并取得了有竞争力的结果（例如，CIFAR- $10$上的$3.57\%$测试错误，CIFAR- $100$上的$19.00\%$，SVHN上的$1.51\%$）。
2017-07-19 cs.CV
Dual Branch Neural Network for Sea Fog Detection in Geostationary Ocean Color Imager
Tianjin University（天津大学）；Institute of Oceanology, Chinese Academy of Sciences（中国科学院海洋研究所）
海雾严重威胁海上活动安全。本文建立了一个海雾数据集（SFDD）和一个双分支海雾探测网络（DB-SFNet）。本文对2010 - 2020年在黄海和渤海（118.1°E-128.1°E，29.5°N-43.8°N）观测到的所有海雾事件进行了调查，并从静止海洋彩色成像仪（GOCI）上收集了每个事件的海雾图像，组成数据集SFDD。在SFDD中，海雾在每幅图像中的位置被准确地标记。该数据集具有时间跨度长、样本量大、标注准确等特点，可显著提高各种海雾检测模型的鲁棒性。此外，本文提出了一种双分支海雾探测网络，以实现准确和全面的海雾探测。提出的DB-SFNet由知识抽取模块和双分支可选编解码模块组成。这两个模块共同提取的视觉和统计域的区别特征。实验表明，有前途的海雾检测结果与F1的分数为0.77和临界成功指数为0.63。与现有先进的深度学习网络相比，DB-SFNet在检测性能和稳定性方面更胜一筹，尤其是在云雾混合区域。
2022-05-04 cs.CV
Trunk-Branch Ensemble Convolutional Neural Networks for Video-based Face Recognition
South China University of Technology（华南理工大学）；UBTech Sydney Artificial Intelligence Institute（优必选悉尼人工智能研究院）；The University of Sydney（悉尼大学）
监控视频中的人脸通常会出现严重的图像模糊、姿态变化和遮挡。在本文中，我们提出了一个全面的框架，卷积神经网络（CNN）的基础上，以克服在基于视频的人脸识别（VFR）的挑战。首先，为了学习模糊鲁棒的人脸表示，我们人为地模糊了由清晰的静止图像组成的训练数据，以弥补真实世界视频训练数据的不足。使用由静止图像和人工模糊数据组成的训练数据，鼓励CNN自动学习模糊不敏感特征。其次，为了增强CNN特征对姿态变化和遮挡的鲁棒性，我们提出了一种主干-分支包围CNN模型（TBE-CNN CNN），该模型从整体面部图像和面部组件周围裁剪的补丁中提取补充信息。TBE-CNN是一种端到端模型，通过在主干和分支网络之间共享低级和中级卷积层来有效地提取特征。第三，为了进一步提高TBE-CNN学习的表示的区分能力，我们提出了一个改进的三重损失函数。系统的实验证明了所提出的技术的有效性。最令人印象深刻的是，TBE-CNN在三个流行的视频人脸数据库上实现了最先进的性能：PaSC，COX Face和YouTube Faces。在BTAS 2016年视频人物识别评测中，我们也获得了第一名。
2017-05-17 cs.CV
A Deep Gradient Boosting Network for Optic Disc and Cup Segmentation
Central South University（中南大学）
视盘和视杯的分割是眼底图像自动分析系统的关键。现有的最新技术集中于设计具有一个或多个密集预测分支的深度神经网络。这种设计忽略了预测分支之间的联系，并且它们的学习能力有限。为了建立预测分支之间的连接，本文将梯度提升框架引入到深度分类模型中，并提出了一种称为BoostNet的梯度提升网络。具体而言，提出了可变形的侧输出单元和具有深度监督的聚合单元，以在梯度提升框架中学习基函数和展开系数。通过以从深到浅的方式堆叠聚合单元，模型的性能沿着从深到浅的阶段逐渐提升。BoostNet在公共数据集ORIGA上实现了优于现有深度OD和OC分割网络的结果。
2019-11-05 cs.CV
Hybrid Cross-Device Localization via Neural Metric Learning and Feature Fusion
PICO, ByteDance Inc.（PICO，字节跳动公司）
本文提出了一种结合神经度量学习和特征融合的混合跨设备定位方法，通过几何与神经网络的互补分支提升召回率和准确率。
2026-01-30 cs.CV
An Effective Two-Branch Model-Based Deep Network for Single Image Deraining
University of Electronic Science and Technology of China（电子科技大学）；The University of Adelaide（阿德莱德大学）
从图像中去除雨水效果对于自动驾驶、无人机驾驶和照片编辑等各种应用都很重要。传统的方法依赖于一些技巧来手工制作各种先验以从图像中移除或分离雨效果。最近的深度学习模型被提出来学习端到端的方法来完成这项任务。然而，在许多现实场景中，特别是当观测图像遭受大雨时，它们往往无法获得令人满意的结果。大雨除了带来雨带外，更会产生细小雨滴堆积而成的烟霞效应。与现有的深度学习方法主要集中在处理雨纹不同，我们设计了一个深度神经网络，通过结合物理降雨图像模型。具体而言，在所提出的模型中，两个分支的设计，以处理雨条纹和薄雾般的效果。一个额外的子模块被联合训练以最终细化结果，这使模型能够灵活地控制去除薄雾的强度。在多个数据集上的大量实验表明，我们的方法在客观评估和视觉质量方面都优于最先进的方法。
2019-09-17 cs.CV
Deep Semantic Instance Segmentation of Tree-like Structures Using Synthetic Data
IBM Research（IBM研究院）
树状结构（如血管）通常以非常精细的尺度表达复杂性，需要高分辨率的网格来充分描述其形状。这样的稀疏形态可以替代地由中心线点的位置表示，但是由于它是无序的并且是排列不变的，因此利用深度学习从这种类型的数据中学习是具有挑战性的。在这项工作中，我们提出了一个深度神经网络，它直接消耗沿分支结构中心线的无序点，以识别单次拍摄中所表示的结构的拓扑结构。我们的方法的关键是使用一个新的多任务损失函数，使任意复杂的分支结构的实例分割。我们训练网络单独使用综合生成的数据，利用域随机化，以促进真正的2D和3D数据的传输。结果表明，我们的网络可以可靠地提取有关分支位置、分叉和端点的有意义的信息，并为分支结构中的语义实例分割树立了新的基准。
2018-11-08 cs.CV
Spatial-Frequency-Aware Implicit Neural Representation of Multidimensional Signals via MLP-KAN Fusion
Institute of Computational Imaging, Beijing Information Science and Technology University（北京信息科技大学计算成像研究所）；College of Computer Science (College of Software), Inner Mongolia University（内蒙古大学计算机学院（软件学院））；Research Center for Spatiotemporal Intelligence, Inner Mongolia University（内蒙古大学时空智能研究中心）
该研究针对隐式神经表示的频谱偏差问题，提出MLP与KAN分支融合的空间频率感知框架，结合小波变换实现互补频率建模，在多类信号上提升了重建保真度。
2026-11-03 cs.CV
B-CNN: Branch Convolutional Neural Network for Hierarchical Classification
Shanghai Jiao Tong University（上海交通大学）；University of New South Wales（新南威尔士大学）
卷积神经网络（CNN）图像分类器传统上被设计为具有带有单个输出层的顺序卷积层。这是基于这样的假设，即所有目标类别都应得到平等和排他性的对待。然而，一些类可能比其他类更难区分，并且类可以被组织在类别的层次结构中。同时，CNN被设计为基于其分层结构来学习从输入数据中抽象的内部表示。因此，很自然地会问，这个想法的逆是否可以应用于学习一个模型，该模型可以使用多个输出层以类抽象的降序来预测分类层次结构。在本文中，我们介绍了一个变种的传统CNN模型命名为分支卷积神经网络（B-CNN）。B-CNN模型沿着与目标类的分层结构相对应的级联卷积层输出从粗到细排序的多个预测，这可以被视为输出的先验知识的一种形式。为了使用B-CNN进行学习，引入了一种新的训练策略，称为分支训练策略（BT策略），该策略平衡了先验的严格性与调整输出层参数的自由度，以最大限度地减少损失。通过这种方式，我们证明了基于CNN的模型可以在输出阶段的内部层中连续地学习从粗到细的概念，并且可以采用分层先验知识来提高CNN模型的分类性能。对我们的模型进行评估，以表明B-CNN扩展在基准数据集MNIST，CIFAR-10和CIFAR-100上的相应基线CNN上有所改善。
2017-10-05 cs.CV
Training Deeper Convolutional Networks with Deep Supervision
UIUC（伊利诺伊大学厄巴纳-香槟分校）；UCSD（加州大学圣地亚哥分校）
提高深度卷积神经网络性能的最有前途的方法之一是增加卷积层的数量。然而，增加层会使训练更加困难，计算成本也更高。为了训练更深层次的网络，我们建议在训练过程中在一定的中间层之后添加辅助监督分支。我们制定了一个简单的经验法则来确定这些分支应该添加到哪里。由此产生的深度监督结构使训练变得更加容易，并且在ImageNet和最近发布的更大的MIT Places数据集上产生了更好的分类结果
2015-05-11 cs.CV
Two-branch Multi-scale Deep Neural Network for Generalized Document Recapture Attack Detection
City University of Hong Kong（香港城市大学）
图像重捕获攻击是一种有效的图像篡改方法，当攻击目标为个人文档图像时，会对电子商务等Web应用的安全造成极大威胁。针对目前基于学习的方法存在严重的过拟合问题，提出一种新的两分支深度神经网络，通过设计频率滤波器组和多尺度交叉注意融合模块，挖掘更好的广义重捕伪影。在广泛的实验中，我们表明，我们的方法可以实现更好的泛化能力相比，国家的最先进的技术在不同的情况下。
2022-11-30 cs.AI cs.CV
Positioning radiata pine branches requiring pruning by drone stereo vision
Centre of Data Science and Artificial Intelligence & School of Engineering and Computer Science（数据科学与人工智能中心及工程与计算机科学学院）
本文提出基于无人机的立体视觉系统，用于检测和定位辐射松枝以支持自主修剪。通过比较不同模型在自定义数据集上的表现，验证了深度学习方法在低成本立体视觉中用于林业自动枝条定位的可行性。
2026-04-12 cs.CV
A multi-branch convolutional neural network for detecting double JPEG compression
Shenzhen University（深圳大学）
双重JPEG压缩的检测是取证分析的重要内容。提出了几种基于卷积神经网络（CNN）的方法。这些方法仅接受来自预处理数据的输入，例如直方图特征和/或解压缩图像。在本文中，我们提出了一个CNN的解决方案，使用原始DCT（离散余弦变换）系数从JPEG图像作为输入。考虑到JPEG中DCT子带的特性，设计了一种多分支CNN结构来检测JPEG格式的图像是否经过双重压缩。与以往的方法相比，该方法提供了端到端的检测能力。大量的实验已经进行了证明所提出的网络的有效性。
2017-10-16 cs.CV cs.MM
Cross Attention Network for Semantic Segmentation
The University of Manchester（曼彻斯特大学）
在本文中，我们解决了语义分割任务与深度网络，结合上下文特征和空间信息。交叉注意网络由两个分支和一个特征交叉注意（FCA）模块组成。具体地说，浅分支用于保存低级别的空间信息，深分支用于提取高级别的上下文特征。然后引入FCA模块将这两个分支结合起来。与现有的大多数注意力机制不同，FCA模块分别从两个分支获取空间注意力图和通道注意力图，然后将它们进行融合。上下文特征用于在融合特征图中提供全局上下文指导，并且空间特征用于细化定位。该网络在Cityscapes和CamVid数据集上的性能优于其他实时方法，速度更快，具有轻量级骨干，并通过深层骨干实现了最先进的性能。
2019-07-25 cs.CV
Drone Stereo Vision for Radiata Pine Branch Detection and Distance Measurement: Utilizing Deep Learning and YOLO Integration
Centre for Data Science and Artificial Intelligence（数据科学与人工智能中心）；Victoria University of Wellington（惠灵顿维多利亚大学）；Department of Computer Science and Software Engineering（计算机科学与软件工程系）；Canterbury University（坎特伯雷大学）
本研究开发搭载立体视觉相机与修剪工具的无人机，结合YOLO枝条分割和深度学习深度估计，经微调实现精准枝条检测测距，提升农业修剪自动化的精度与效率。
2024-10-06 cs.AI cs.CV
BranchyNet: Fast Inference via Early Exiting from Deep Neural Networks
Harvard University（哈佛大学）
深度神经网络是许多学习任务的最先进方法，因为它们能够在每个网络层提取越来越好的特征。然而，深度网络中附加层的性能提高是以前馈推理中增加的延迟和能量使用为代价的。随着网络的不断深入和扩大，这些成本对于实时和能源敏感型应用程序来说变得更加难以承受。为了解决这个问题，我们提出了BranchyNet，这是一种新型的深度网络架构，它通过额外的侧分支分类器进行了增强。该架构允许大部分测试样本的预测结果在样本已经可以以高置信度推断时通过这些分支提前退出网络。BranchyNet利用了这样一种观察，即在网络的早期层学习的特征通常足以对许多数据点进行分类。对于更困难的样本，预计不太频繁，BranchyNet将使用更多或所有网络层来提供正确预测的最佳可能性。我们使用几个著名的网络（LeNet，AlexNet，ResNet）和数据集（MNIST，CIFAR10）研究了BranchyNet架构，并表明它可以提高准确性并显着减少网络的推理时间。
2017-09-06 cs.CV cs.LG cs.NE
Optical flow-based branch segmentation for complex orchard environments
Collaborative Robotics and Intelligent Systems (CoRIS) Institute, Oregon State University（俄勒冈州立大学协作机器人与智能系统研究所）；Oregon State University（俄勒冈州立大学）
机器视觉是使机器人能够在果园环境中执行各种任务的关键子系统。然而，果园是视觉上高度复杂的环境，并且在其中操作的计算机视觉算法必须能够应对可变的照明条件和背景噪声。过去使深度学习算法能够在这些环境中运行的工作通常需要大量的手动标记数据来训练深度神经网络或物理控制感知环境的条件。在本文中，我们训练一个神经网络系统在模拟中只使用模拟RGB数据和光流。由此产生的神经网络能够在繁忙的果园环境中执行树枝的前景分割，而无需额外的真实世界训练或使用标准相机之外的任何特殊设置或设备。我们的研究结果表明，我们的系统是高度准确的，并且与使用手动标记的RGBD数据的网络相比，在与训练集不同的环境中实现了更加一致和强大的性能。
2022-02-26 cs.CV
Multi-branch Convolutional Neural Network for Multiple Sclerosis Lesion Segmentation
Istituto Italiano di Tecnologia（意大利理工学院）；University of Genoa（热那亚大学）；Fondation Campus Biotech Geneva（日内瓦校园生物技术基金会）；San Raffaele Scientific Institute（圣拉斐尔科学研究所）；University of Verona（维罗纳大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
在本文中，我们提出了一种自动化的方法分割多发性硬化症（MS）病变的多模态脑磁共振图像。我们的方法是基于一个深端到端的2D卷积神经网络（CNN）的切片为基础的3D体积数据的分割。所提出的CNN包括多分支下采样路径，这使得网络能够分别对来自多个模态的信息进行编码。提出了多尺度特征融合块，以在网络的不同阶段组合来自不同模态的特征图。然后，引入多尺度特征上采样块来放大组合特征图以利用来自病变形状和位置的信息。我们使用每个3D模态的正交平面方向来训练和测试所提出的模型，以利用各个方向的上下文信息。在两个不同的数据集上评估了拟议的管道：包括37名MS患者的私人数据集和被称为ISBI 2015纵向MS病变分割挑战数据集的公开数据集，包括14名MS患者。考虑到ISBI的挑战，在提交时，我们的方法是性能最好的解决方案之一。在私有数据集上，使用与ISBI挑战中相同的性能指标阵列，与其他公开可用的工具相比，所提出的方法在MS病变分割方面显示出很高的改进。
2019-04-08 cs.CV
VTPNet for 3D deep learning on point cloud
Northwest University（西北大学）；East China Jiaotong University（华东交通大学）
针对基于Transformer的点云学习方法计算开销大的问题，提出VTPNet，结合体素、点和Transformer分支提取局部与全局特征，在多个基准上取得良好性能。
2023-05-10 cs.CV
A Compromise Principle in Deep Monocular Depth Estimation
University of Pittsburgh（匹兹堡大学）；Laboratoire d’Informatique Gaspard Monge - CNRS UMR 8049, Universit$ ´ e $ Paris-Est（加斯帕德·蒙日信息学实验室 - 法国国家科学研究中心联合实验室8049，巴黎东部大学）
单目深度估计是一个不适定问题，在理解三维场景几何中起着关键作用。基于深度卷积神经网络（DCNN）的现有方法已经通过学习卷积网络来从单目图像估计连续深度图来研究了这个问题。然而，我们发现训练网络来预测高空间分辨率的连续深度图通常会遇到局部解不佳的问题。在本文中，我们假设在空间分辨率和深度分辨率之间实现折衷可以改善网络训练。基于这种“折衷原则”，我们提出了一种回归-分类级联网络（RCCN），它由预测低空间分辨率连续深度图的回归分支和预测高空间分辨率离散深度图的分类分支组成。这两个分支形成级联结构，允许分类和回归分支彼此受益。通过利用大规模的原始训练数据集和一些数据增强策略，我们的网络在NYU Depth V2、KITTI和Make 3D基准测试中获得了顶级或最先进的结果。
2018-06-12 cs.CV
Multi-Modal Multi-Scale Deep Learning for Large-Scale Image Annotation
Renmin University of China（中国人民大学）；Queen Mary University of London（伦敦玛丽女王大学）；Columbia University（哥伦比亚大学）
图像注释旨在使用与不同视觉概念相对应的可变数量的类标签来注释给定图像。在本文中，我们解决了大规模图像标注中的两个主要问题：1）如何学习适合于预测从对象，场景到抽象概念的各种视觉概念的丰富特征表示; 2）如何用最佳数量的类标签来标注图像。为了解决第一个问题，我们提出了一种新的多尺度深度模型，用于提取能够代表广泛视觉概念的丰富和有区别的特征。具体地，提出了一种新的两分支深度神经网络架构，其包括非常深的主网络分支和被设计用于融合从主分支计算的多尺度特征的伴随特征融合网络分支。深度模型还通过将嘈杂的用户提供的标签作为模型输入以补充图像输入而成为多模态的。为了解决第二个问题，我们在主标签预测任务中引入了一个标签数量预测辅助任务，以明确估计给定图像的最佳标签数量。在两个大规模的图像标注基准数据集上进行了大量的实验，结果表明，我们的方法显着优于最先进的。
2018-10-19 cs.CV
Deep Multi-Branch Aggregation Network for Real-Time Semantic Segmentation in Street Scenes
Xiamen University（厦门大学）；University of Electronic Science and Technology of China（电子科技大学）；Zhejiang Lab（之江实验室）；University of Southern Queensland（南昆士兰大学）
实时的【形】语义分割的目标是在实时的【形】推理速度下实现高分割精度，在过去几年中受到了极大的关注。然而，许多最先进的实时的【形】语义分割方法往往牺牲一些空间细节或上下文信息的快速推理，从而导致分割质量的下降。在本文中，我们提出了一种新的深度多分支聚合网络（称为DMA-Net）的编码器-解码器结构的基础上进行实时的【形】语义分割的街道场景。具体来说，我们首先采用ResNet-18作为编码器，从不同的卷积阶段有效地生成各种级别的特征图。然后，我们开发了一个多分支聚合网络（MAN）作为解码器，以有效地聚合不同级别的特征图，并捕获多尺度信息。在城域网中，一个格增强的残差块被设计来增强网络的特征表示，通过利用格结构。同时，在特征聚合之前，引入一个特征转换块来显式地转换相邻分支的特征图。此外，使用全局上下文块来利用全局上下文信息。这些关键组件在统一的网络中紧密结合并共同优化。在具有挑战性的Cityscapes和CamVid数据集上进行的大量实验结果表明，我们提出的DMA-Net仅使用单个NVIDIA GTX 1080Ti GPU，在46.7 FPS和119.8 FPS的推理速度下分别获得了77.0%和73.6%的平均交集。这表明DMA-Net为街道场景中的语义分割提供了分割质量和速度之间的良好权衡。
2022-03-08 cs.CV
BPGrad: Towards Global Optimality in Deep Learning via Branch and Pruning
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；The University of Kansas（堪萨斯大学）
理解深度学习（DL）中的全局最优性最近引起了越来越多的关注。然而，传统的DL求解器并没有被有意地开发来寻求这种全局最优性。在本文中，我们提出了一种新的近似算法，BPGrad，通过分支和修剪全局优化深度模型。我们的BPGrad算法基于DL中Lipschitz连续性的假设，因此，它可以根据先前更新的历史自适应地确定当前梯度的步长，其中理论上没有更小的步长可以实现全局最优。我们证明，通过重复这样的分支和修剪过程中，我们可以找到在有限的迭代的全局最优性。经验上，提出了一个有效的求解器的基础上BPGrad的DL，以及，它优于传统的DL求解器，如Adagrad，Adadelta，RMSProp，亚当在目标识别，检测和分割的任务。
2017-11-19 cs.CV cs.LG stat.ML
A Two-branch Neural Network for Non-homogeneous Dehazing via Ensemble Learning
McMaster University（麦克马斯特大学）；University of Chinese Academy of Sciences（中国科学院大学）；Xidian University（西安电子科技大学）
近年来，图像去雾技术取得了快速而显著的进展。许多基于深度学习的方法在处理同质去雾问题方面表现出了卓越的性能。然而，我们观察到，即使精心设计的卷积神经网络（CNN）可以在大规模去雾基准测试中表现良好，该网络通常在NTIRE挑战引入的非均匀去雾数据集上失败。其原因主要有两个方面。首先，由于其非均匀性质，非均匀分布的雾度比均匀雾度更难去除。其次，研究挑战只提供了有限的数据（NH-Haze 2021数据集中只有25个训练对）。因此，基于非常有限的数据学习从模糊图像域到清晰图像域的映射是非常困难的。为此，我们提出了一种简单而有效的方法，通过集成学习的非均匀去雾。具体来说，我们引入了一个两分支神经网络来分别处理上述问题，然后通过一个可学习的融合尾映射它们的不同特征。我们展示了大量的实验结果来说明我们所提出的方法的有效性。
2021-04-18 cs.CV eess.IV
KP-INR: A Dual-Branch Implicit Neural Representation Model for Cardiac Cine MRI Reconstruction
Department of Radiology, Leiden University Medical Center, Leiden, The Netherlands（莱顿大学医学中心放射科）；Cardiologs, Philips, Paris, France（法国巴黎Philips心血管部门）；Faculty of Computer Science, Eindhoven University of Technology, Eindhoven, The Netherlands（埃因霍温理工大学计算机科学学院）；Philips Innovative Technologies, Hamburg, Germany（德国汉堡Philips创新技术）
本文提出KP-INR，一种在k空间运行的双分支隐式神经表示模型，通过融合位置嵌入与局部多尺度特征表示并实现跨分支交互，提升心脏电影MRI欠采样重建质量。
2025-08-16 cs.AI cs.CV
K-STEMIT: Knowledge-Informed Spatio-Temporal Efficient Multi-Branch Graph Neural Network for Subsurface Stratigraphy Thickness Estimation from Radar Data
Department of Computer Science and Engineering, Lehigh University（里海大学计算机科学与工程系）；Department of Civil and Environmental Engineering, Lehigh University（里海大学土木与环境工程系）
本文提出K-STEMIT，结合几何框架和时间卷积，利用物理数据提升地下地层厚度估计的准确性与效率，实验表明其在精度和效率上均优于现有方法。
2026-08-04 cs.CV cs.LG
Early-exit Convolutional Neural Networks
Middle East Technical University（中东科技大学）
提出EENets早退CNN，通过多个可学习置信度分支按输入动态停止推理，在保持ResNet准确率的同时将计算成本降至20%。
2024-09-09 cs.AI cs.CV
Early-exit deep neural networks for distorted images: providing an efficient edge offloading
Universidade Federal do Rio de Janeiro（里约热内卢联邦大学）
深度神经网络（DNN）的边缘卸载可以通过使用早期退出DNN来适应输入的复杂性。这些DNN在整个架构中都有分支，允许推理在边缘更早结束。分支估计给定输入的精度。如果该估计精度达到阈值，则推断在边缘处结束。否则，边缘将推理卸载到云以处理剩余的DNN层。然而，用于图像分类的DNN处理失真的图像，这对分支的估计精度产生负面影响。因此，边缘将更多的推论卸载到云端。这项工作引入了在特定失真类型上训练的专家侧分支，以提高对图像失真的鲁棒性。边缘检测失真类型并选择适当的专家分支来执行推理。这种方法提高了边缘上的估计精度，改善了卸载决策。我们在一个现实的场景中验证了我们的建议，其中边缘将DNN推理卸载到Amazon EC2实例。
2021-08-25 cs.CV cs.LG cs.NI
DBDH: A Dual-Branch Dual-Head Neural Network for Invisible Embedded Regions Localization
1School of Computer Science；Technology, Huazhong University of Science
本文提出双分支双头神经网络DBDH，通过高频纹理分支和上下文分支结合检测与分割头，实现图像中不可见嵌入区域的精确定位，实验证明其优于现有方法。
2024-05-06 cs.CV cs.MM
Two-branch Recurrent Network for Isolating Deepfakes in Videos
USC Information Sciences Institute（南加州大学信息科学研究所）
目前使用deepfakes人工生成的超现实人脸的峰值需要针对视频流量身定制的媒体取证解决方案，并在视频级别以低误报率可靠地工作。我们提出了一种基于双分支网络结构的deepfake检测方法，该方法通过学习放大伪影同时抑制高级面部内容来隔离数字处理的面部。与当前提取空间频率作为预处理步骤的方法不同，我们提出了一种两分支结构：一个分支传播原始信息，而另一个分支使用高斯拉普拉斯（LoG）作为瓶颈层来抑制人脸内容，同时放大多频带频率。为了更好地隔离操纵的面孔，我们推导出一种新的成本函数，与常规分类不同，它压缩了自然面孔的可变性，并在特征空间中推开了不切实际的面部样本。与之前的工作相比，我们的两个新组件在FaceForensics++、Celeb-DF和Facebook的DFDC预览基准测试中显示出了令人鼓舞的结果。然后，我们提供了一个完整的，详细的消融研究我们的网络架构和成本函数。最后，尽管要在非常低的误报率下获得非常显著的数字，标准仍然很高，但我们的研究表明，在视频级AUC方面进行交叉测试时，我们可以实现良好的视频级性能。
2020-09-04 cs.CV cs.CY cs.LG
Coupled Ensembles of Neural Networks
Univ. Grenoble Alpes, CNRS, Grenoble-INP, LIG（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔理工学院、LIG实验室）；Univ. Grenoble Alpes, CNRS, Grenoble-INP, GIPSA-Lab（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔理工学院、GIPSA实验室）
我们在本文中研究了深度卷积网络的架构。在现有的最先进的模型的基础上，我们提出了一个重新配置的模型参数到几个并行的分支在全球网络的水平，每个分支是一个独立的CNN。我们表明，这种安排是一种有效的方式，以显着减少参数的数量，而不会失去性能或显着提高性能与相同的性能水平。分支的使用带来了另一种形式的正则化。除了分成并行分支之外，我们还提出了在训练过程中将“融合（平均）层”放在Log-Likestive和SoftMax层之前，从而更紧密地耦合这些分支。这提供了另一个显著的性能改进，更紧密的耦合有利于学习更好的表示，即使在单个分支的级别上。我们将这种分支架构称为“耦合集成”。该方法非常通用，几乎可以应用于任何DCNN架构。在DenseNet-BC的耦合集成和25 M的参数预算下，我们在CIFAR-10，CIFAR-100和SVHN任务上分别获得了2.92%，15.68%和1.50%的出错率。对于相同的预算，DenseNet-BC的出错率分别为3.46%、17.18%和1.8%。对于DenseNet-BC网络的耦合集成的集成，具有50 M的总参数，我们在这些任务上分别获得了2.72%、15.13%和1.42%的出错率。
2017-09-18 cs.CV stat.ML
Dynamic Clone Transformer for Efficient Convolutional Neural Netwoks
卷积网络（ConvNets）在解决各种视觉任务方面表现出令人印象深刻的能力。然而，性能和效率之间的权衡仍然是一个挑战，一个可行的模型部署在资源有限的平台。在本文中，我们引入了一个新的概念，称为多路径全连接模式（MPFC）重新思考的相互依赖性的拓扑模式，准确性和效率的ConvNets。受MPFC的启发，我们进一步提出了一个双分支模块命名为动态克隆Transformer（DCT），其中一个分支从输入生成多个副本，另一个分支通过一系列有条件的差异向量对输入本身进行改革，以产生更多的变体。这种操作允许以数据驱动的方式以很少的计算成本自扩展通道信息，同时提供足够的学习能力，这是一个潜在的单元，以取代计算昂贵的逐点卷积作为瓶颈结构中的扩展层。
2021-06-12 cs.CV cs.LG
CSI-Based Efficient Self-Quarantine Monitoring System Using Branchy Convolution Neural Network
The Hong Kong Polytechnic University（香港理工大学）；Otto Poon Charitable Foundation Smart Cities Research Institute（潘顿慈善基金会智慧城市研究所）
提出基于Wi-Fi CSI的无设备自我隔离监测系统BranchyGhostNet，通过早期退出分支实现高效房间占用检测与人类活动识别，在保证98.19%准确率的同时将ROD推理延迟降低54.04%。
2023-05-24 cs.CV cs.LG eess.SP
Deep Neural Network Pruning for Nuclei Instance Segmentation in Hematoxylin & Eosin-Stained Histological Images
Medical University of Vienna（维也纳医科大学）；Technical University Graz（格拉茨工业大学）；Complexity Science Hub（复杂性科学中心）
最近，修剪深度神经网络（DNN）因提高准确性和泛化能力、减小网络大小和提高专用硬件上的推理速度而受到广泛关注。虽然修剪主要在计算机视觉任务上进行测试，但其在医学图像分析中的应用几乎没有被探索。这项工作研究了众所周知的修剪技术，即逐层和网络范围的幅度修剪，对组织学图像中的细胞核实例分割性能的影响。我们使用的实例分割模型由两个主要分支组成：（1）语义分割分支，以及（2）深度回归分支。我们研究了权重修剪对两个分支的性能以及最终核实例分割结果的影响。在两个公开的数据集上进行评估，我们的结果表明，对于小压缩比（CR），逐层修剪的性能略优于全网络修剪，而对于大压缩比，全网络修剪的性能更优。对于语义分割，深度回归和最终实例分割，93.75%，95%和80%的模型权重可以通过逐层修剪进行修剪，相应模型的性能降低不到2%。
2022-06-15 cs.CV eess.IV
DPAFNet:Dual Path Attention Fusion Network for Single Image Deraining
Shandong University of Technology（山东理工大学）
针对单分支网络在图像去雨中特征融合能力不足的问题，本文提出双路径注意力融合网络DPAFNet，通过双分支结构和注意力融合模块选择性融合特征，并通过消融与对比实验验证其有效性。
2024-01-16 cs.AI cs.CV eess.IV
