文件名称:FaceParsing:HAN
文件大小:2.07MB
文件格式:ZIP
更新时间:2024-05-13 16:13:15
Python
EHANet:用于人脸分析的有效分层聚合网络 抽象的 近年来,得益于深度卷积神经网络(DCNN),人脸解析技术得到了Swift发展。 但是,它仍然存在以下问题:(1)现有的最先进的框架通常在追求性能的同时不能满足实时性; (2)相似的外观会导致像素标签分配不正确,尤其是在边界处; (3)为了促进多尺度预测,将深层特征和浅层特征用于融合而没有考虑它们之间的语义差距。 为了克服这些缺点,我们提出了一种有效,高效的分层聚合网络,称为EHANet,可进行快速,准确的人脸解析。 更具体地说,我们首先提出一个阶段上下文注意机制(SCAM),该机制使用更高级别的上下文信息根据其重要性对通道进行重新编码。 其次,提出了语义差距补偿块(SGCB),以确保有效地聚集层次信息。 第三,加权边界感知损失的优势有效地弥补了边界语义的歧义。 没有任何风吹草动,再加上轻巧的骨干,我们在CelebAMask-HQ(mIo
【文件预览】:
FaceParsing-master
----trainer.py(6KB)
----.gitignore(2KB)
----augmentations.py(11KB)
----networks()
--------ehanet.py(11KB)
--------dabnet.py(6KB)
--------__init__.py(1KB)
--------ce2p.py(11KB)
--------dfanet.py(9KB)
--------unet.py(4KB)
--------danet.py(11KB)
--------parsenet18.py(12KB)
--------parsenet.py(10KB)
--------parsenet50.py(10KB)
----LICENSE(1KB)
----parameters.py(3KB)
----criterion.py(5KB)
----utils.py(4KB)
----README.md(2KB)
----data_loader.py(3KB)
----metrics.py(2KB)
----deployment()
--------validation.py(7KB)
--------detection.py(14KB)
--------data()
--------segmentation()
--------layers()
--------models()
--------utils()
--------README.md(629B)
--------result()
----lr_scheduler.py(2KB)
----tester.py(4KB)
----verifier.py(2KB)
----main.py(2KB)