通街是密人有的博客

密集图像预测任务要求具有高分辨率的强类别信息和精确的空间边界细节特征。为了实现这一点，现代分层模型通常利用特征融合，直接添加来自深层的上采样粗特征和来自较低层次的高分辨率特征。在本文中，我们观察到融合特征值在对象内的快速变化，由于高频特征的干扰导致类别内不一致。此外，融合特征中模糊的边界缺乏准确的高频，导致边界位移。基于这些观察结果，我们提出了频率感知特征融合（FreqFusion），集成了自适应低通滤波器（ALPF）生成器，偏移生成器和自适应高通滤波器（AHPF）生成器。

膨胀卷积通过在连续元素之间插入间隙来扩展感受野，在计算机视觉中得到了广泛的应用。在本研究中，我们从频谱分析的角度提出了三种策略来改进膨胀卷积的各个阶段。与将全局膨胀率固定为超参数的传统做法不同，我们引入了频率自适应膨胀卷积（FADC），它基于局部频率分量在空间上动态调整膨胀率。随后，我们设计了两个插件模块来直接提高有效带宽和感受野大小。自适应核（AdaKern）模块将卷积权重分解为低频和高频分量，并在每个通道的基础上动态调整这些分量之间的比例。