Feb, 2013

基于最大池化卷积神经网络的快速图像分割学习算法

PDF
TL;DR提出一种新的方法，通过单次处理所有图像以大幅提高效率来训练 MaxPooling 卷积网络，用于图像分割和自动钢材缺陷检测，可以取得出色的性能表现，训练时间短，1500 倍的加速。
maxpooling convolutional networkssegmentationimage processingautomated steel defect detectionefficient training
发现论文，激发创造
  • 使用深度最大池化卷积神经网络进行快速图像扫描

    利用动态规划算法，即使存在最大池化层，也能将深度神经网络在滑动窗口扫描图像时的计算复杂度提高数倍。

    Feb, 2013

  • 全卷积神经网络用于语义分割

    本文提出了一种基于卷积神经网络的 Fully Convolutional Networks（FCN）方法，可以用于图像的深度语义分割。通过该方法，我们成功地提高了 PASCAL VOC、NYUDv2、SIFT Flow 和 PASCAL-Context 等公开数据集上的 segmentation 模型的性能，并且推断速度远快于之前的相关工作。

    May, 2016

  • 全卷积网络用于语义分割

    该研究证明，卷积网络可以通过端到端的训练，从像素到像素地训练，超越先前的语义分割最先进方法，通过自适应大小输入和高效学习来生成相应大小的输出。该研究还详细介绍了全卷积网络的应用于空间密集预测任务，并将 AlexNet、VGG 网和 GoogLeNet 等现代分类网络改进成全卷积网络，并将它们学习到的表示通过微调应用于语义分割任务。最后，该研究提出了一种新的网络架构，将深层次粗糙层和浅层外观信息相结合以生成准确和详细的分割结果，在 PASCAL VOC、NYUDv2 和 SIFT Flow 数据集上实现了最先进的语义分割（2012 年的 mean IU 相较前一方法提高 20％），对典型图像的推理时间仅需三分之一秒。

    Nov, 2014

  • 语义图像分割中的损失最大池化

    介绍了一种新的损失最大池化方法，用于处理数据不平衡的情况，可作为深度神经网络中的替代损失层用于语义图像分割中，通过自适应重新加权像素的贡献来解决分类器对于少数类别偏向性的问题，理论和实验结果都表明该方法可以有效提高图像分割效果。

    Apr, 2017

  • 全卷积神经网络用于人群分割

    本研究提出了一种快速卷积神经网络 (FCNN)，并使用多阶段的深度学习来整合外观和动态线索进行人群分割，成功使用我们自己创建的具有 235 和 11 个场景的人群分割数据集对我们的方法进行了评估。

    Nov, 2014

  • 用具有池化层的 CNN 进行快速特征提取

    本文提出了一种针对整个图像计算基于补丁的局部特征描述符的有效方法，适用于几乎所有现有的网络架构和局部特征提取任务，包括摄像机标定、Patchmatching、光流估计和立体匹配等任务，并对任意 CNN 架构进行了速度基准测试和示例代码的展示。

    May, 2018

  • 用于异构硬件系统上的像素级分类的高效卷积神经网络

    本文介绍了三个用于图像像素分类的卷积神经网络模型，通过去除冗余计算或使用全卷积体系结构来解决滑动窗口网络中存在的冗余计算问题。作者对这三种模型进行了评估，并评估了它们在两个神经组织数据集上的表现，以及训练过程中使用的不同损失函数。

    Sep, 2015

  • 使用全卷积网络进行快速图像处理

    使用全卷积网络进行运算符逼近可以显著提高逼近精度，降低运行时间和内存开销。在输入输出对上的训练可以将原始运算符逼近，并且可以对多种不同的高级图像处理运算符进行逼近，包括多种变分模型、多尺度调节和明暗细节操作等。

    Sep, 2017

  • 全连接深层结构网络

    该研究提出了一种单一联合训练算法，能够有效地应用于语义图像分割任务，并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。

    Mar, 2015

  • 使用非常深的全卷积网络进行高性能语义分割

    本文提出了一种基于残差网络的高性能语义图像分割方法，并对不同变体的完全卷积残差网络进行了评估，进一步提出了用低分辨率网络模拟高分辨率网络的方法，引入了在线启动方法以及在一些残差块上应用的传统退化法，取得了在 PASCAL VOC 2012 数据集和 Cityscapes 上最好的平均重叠联合 75 的性能表现。

    Apr, 2016