简介:1.该教程提供大量的首发改进的方式,降低上手难度,多种结构改进,助力寻找创新点!2.本篇文章对Pointnet++特征提取模块进行改进,加入DEConv细节增强卷积,提升性能。3.专栏持续更新,紧随最新的研究内容。
目录
1.理论介绍
通过使用重新参数化技术,将DEConv等效地转换为没有额外参数和计算成本的普通卷积。通过为每个信道分配唯一的空间重要性映射(SIM), CGA可以获得更多编码在特征中的有用信息。此外,提出了一种基于cgaba的混合融合方案,可以有效地融合特征并辅助梯度流。通过结合上述组件,我们提出了用于恢复高质量无雾图像的细节增强注意力网络(DEA-Net)。


细节增强卷积(DEConv)。它包含五个并行部署的卷积层,包括:香草卷积(VC)、中心差分卷积(CDC)、角差分卷积(ADC)、水平差分卷积(HDC)和垂直差分卷积(VDC)。
2.修改步骤
2.1 步骤一
新建DEConv.py文件,加入如下代码:
###################################DEConv################
订阅专栏 解锁全文
2597



被折叠的 条评论
为什么被折叠?



