语义分割的学习反卷积网络
本文提出了一种新型架构,用于全局地等效进行反卷积操作并获取密集预测进而解决卷积神经网络在语义图像分割任务中的两个独特挑战,即低分辨率输出与局部特征提取中的全局信息不足。实验结果表明,在 PASCAL VOC 2012 基准测试中,本文方法取得了 74.0% 的平均 IU 准确率,优于当前最先进的语义分割模型。
Feb, 2016
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
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
本文提出了一种使用反卷积神经网络实现的弱监督语义分割框架,该框架中的每个反卷积层都包含反池化和反卷积操作,通过对提取特征阶段中的非判别性特征进行淘汰,精简最终语义分割结果中的误报。在弱监督条件下(图像级别标注),该框架在医学图像分割(胸部 X 光)和 PASCAL VOC 分割数据集上实现了最先进的性能。
Feb, 2016
本文在室内图像的 RGB-D 语义分割问题中,通过利用可以预测像素级类别标签的反卷积网络,开发了一种反卷积多模态新结构并提出了一种新的特征转换网络。该特征转换网络通过在两个模态之间发现共同特征并表征每种特性的方式将两种模态相关联。新网络在 NYU 深度数据集 V1 和 V2 上取得了有竞争力的分割精度。
Aug, 2016
提出了一种基于多层浅层反卷积网络(SDN)的语义分割技术,通过多层网络集成上下文信息并加入层内和层间连接以提高特征融合和流向信息,应用层级监督优化网络训练,取得优异的分割效果。
Aug, 2017
该论文介绍了一种新颖的弱监督语义分割算法,该算法利用基于深度卷积神经网络的辅助分割注释,通过设计解耦编码器 - 解码器体系结构来生成空间高光区域,并使用注意力模型和分割注解在不同类型中加速弱监督下的语义分割。 训练该模型可以在 Microsoft COCO 数据集中的 60 个独家类别的注释下,显着提高在具有挑战性的 PASCAL VOC 2012 数据集中的表现。
Dec, 2015
本研究提出了一种结合深度反卷积神经网络和卷积神经网络的新型神经网络,以实现场景解析。与卷积神经网络相比,反卷积神经网络在学习高阶图像结构方面表现更好。多补丁训练可以从场景中有效地学习空间先验知识。本方法在四个场景解析数据集上均取得了最先进的性能,并具有完全自动化的训练系统,无需后处理。
Nov, 2014
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