基于高层引导的语义部分分割深度学习
本文提出了一种同时处理语义对象和部件分割的联合解决方案,其中提供了更高级的对象级上下文来引导部件分割,并利用更详细的部件级定位来改进对象分割。所提出的方法在三个不同的数据集上进行了广泛的评估,证明它可以相互增强对象和部件分割的性能,并在两个任务上都优于现有技术水平。
May, 2015
该研究论文结合深度卷积神经网络和概率图模型的方法来解决像素级分类(语义图像分割)任务中深层网络往往无法精确定位目标分割的问题,并通过将深层网络的响应与全连接条件随机场相结合,提出了一种 DeepLab 系统。定量实验表明,该方法在 PASCAL VOC-2012 语义图像分割任务中,IOU 精度可达 71.6%。
Dec, 2014
文章介绍了使用弱监督的方法,构建辅助部分模型,检测出深度卷积神经网络忽略的其它目标部分,使用双向 LSTM 将这些互补信息编码为图像综合特征用于图像分类,并在 Stanford Dogs 120、Caltech-UCSD Birds 2011-200、Caltech 256 数据集上实现了显著提升。
Mar, 2019
本文提出了一个具有部分分割能力的检测器,可以通过多粒度对齐来预测开放词汇的物体和它们的部件分割,并通过密集语义对应将新物体解析为其部件。该方法在不同数据集上的实验表现优于基线方法,并且具有更好的数据通用性。
May, 2023
本文介绍了以往自我监督的学习方式大多聚焦于图像级的表示学习,不能为无监督图像分割等需要空间多样的表示的任务带来改进,通过自我监督学习物体部件提出了新的解决途径,并结合目前趋势的 Vision Transformer,利用稠密聚类任务进行空间标记的微调,取得了在语义分割基准测试上超过 17%-3% 的最先进结果,且在完全无监督分割方面也具有重大潜力。
Apr, 2022
本文研究了使用卷积神经网络实现视觉对象识别任务时,CNN 是否学习了语义部分的内部表示,结果发现对于对象识别最有辨别力的卷积滤波器对应着某些语义部分。
Jul, 2016
本文提出了一种新的框架,通过在目标级别和部分级别上结合技术对场景中物体中多个实例和多个部分进行语义分割,其中包括类别条件模块和基于邻接图的模块来解决不同级别的歧义问题。在 Pascal-Part 数据集上的实验证明了该框架的有效性。
Jul, 2020
该研究提出了一种基于全卷积神经网络和条件随机场的联合框架,旨在同步解决人体姿态估计和语义部位分割问题,并在 PASCAL VOC 数据集上进行了广泛实验,显示该算法在这两个任务上均优于竞争方法。
Aug, 2017