深层分层解析用于语义分割
该研究论文通过将高阶关系和标签上下文混合等丰富信息融入到马尔可夫随机场中,提出了一种名为深度解析网络的卷积神经网络,通过一次前向运算实现确定性的端到端计算。在 PASCAL VOC 2012 数据集上经过全面评估,表现出卓越的分割准确性。
Sep, 2015
通过循环卷积神经网络的方法,可在不依赖于分割方法和任务特定特征的情况下,对图像里的所有像素赋予分类标签,并且无需在测试时像其他方法那样昂贵,因此可在 Stanford Background 数据集和 SIFT Flow 数据集上获得最先进的性能。
Jun, 2013
本文提出了一种基于深度架构的场景理解方法,通过一个卷积神经网络和一个递归神经网络分别提取图像特征和分层物体结构,结合基于描述性语句的弱监督训练,实现场景图像的自动解析,该方法在 PASCAL VOC 2012 数据集上表现出色。
Apr, 2016
该论文介绍了 Renovating Parsing R-CNN (RP R-CNN) 模型,它采用了全局语义增强的特征金字塔网络和解析重新评分网络,以提高多人解析中的全局认知度和准确实例分割得分,并在 CIHP 和 MHP-v2 数据集上表现出优异的性能。
Sep, 2020
本论文提出了一种名为 Deep Parsing Network (DPN) 的卷积神经网络,通过将高阶关系和标签上下文的混合引入到 MRF 模型中,该网络能够在一次前向传递中实现确定性的端到端计算。与先前使用迭代算法优化 MRF 不同的是,该论文通过 DPN 精确求解 MRF,并能够在近似一次 MF 迭代的情况下达到较高的分割精度。此外,DPN 使得 MF 更容易被并行化和加速,从而可以实现高效的推理。
Jun, 2016
本研究提出一种新的 MPF-RNN 模型,通过多层反馈和多重加权循环结构,增强 RNN 建模长范围的上下文信息和识别易混淆像素的能力,此外还提出了考虑多次反馈的损失累积策略,从而在场景分割方面实现了比传统模型更优秀的性能表现。
Aug, 2016
本文介绍了一种利用基于不同区域的上下文聚合和金字塔场景分割网络的全局上下文信息的方法,以进行场景分割任务,并在各种数据集上取得了最先进的性能表现。该方法在 PASCAL VOC 2012 基准和 Cityscapes 基准数据集上创造了新的记录。
Dec, 2016
这篇论文介绍了一种新的基于神经科学理论 “预测编码” 的神经网络,该网络包含反馈和前馈连接,能够让相邻层次间逐渐优化表征以最小化预测误差,并在图像分类和对象识别等任务上获得了具有竞争力的性能。
May, 2018