Sep, 2015

基于提议的实例级目标分割的网络

PDF
TL;DR本文提出了一个 Proposal-Free Network (PFN)，通过基于像素到像素的深度卷积神经网络实现不需要候选区域的实例级对象分割，并结合聚类方法，取得了显著的实例级对象分割表现，与最先进的算法相比在 PASCAL VOC 2012 上的 $AP^r$ over 20 类在 0.5 交并比下从 43.8％增加到 58.7％。
instance-level object segmentationproposal-free network (pfn)pixel-to-pixel convolutional neural networkclusteringpascal voc 2012
发现论文，激发创造
  • 学习聚类用于无需提议的实例分割

    本研究介绍了一种新的学习目标，用于训练深度神经网络执行端对端的图像像素聚类，该方法已应用于实例分割，其结果是出色的，并且在 2017 CVPR 自动驾驶挑战的车道检测竞赛中获得第二名，而在不使用外部数据的情况下是最优表现者。

    Mar, 2018

  • 实例敏感的全卷积网络

    本文介绍了一种基于全卷积神经网络 (FCNs) 的实例级分割算法，通过像素级分类器计算相对位置和一些敏感的分数映射，然后通过一个简单的组装模块能够输出每个位置的实例候选。该方法在 PASCAL VOC 和 MS COCO 上具有较好的实例分割性能表现。

    Mar, 2016

  • 动态实例化网络的像素级实例分割

    该论文提出了一种基于语义分割的实例分割系统，利用 CRF 预测具有对象类和实例标签的分割地图，从而提高难度较大的像素级别分割精度，使像素不能属于多个实例，并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。

    Apr, 2017

  • 使用标注转换进行无目标检测的实例分割

    本文探讨了实例分割中的特殊问题 —— 商空间，提出了三种新方法来解决此问题，包括像素亲和映射、超像素亲和学习和基于边界的分量分割，使用完全卷积神经网络模型，达到了竞争性的结果，并且具有透明度和简单性的优点。

    Nov, 2016

  • 深度变分实例分割

    本文提出了一种利用全卷积神经网络直接预测实例标签的方法，并将分割问题作为最小化优化函数的变分松弛问题来处理，并扩展了经典的 Mumford-Shah 变分分割问题以处理实例分割中的置换不变标签，实验证明此方法能有效地解决实例分割任务。

    Jul, 2020

  • 像素目标性

    本文提出了一种端到端的学习框架，其中使用深度卷积网络实现了将前景 / 背景标签分配给所有像素的结构化预测，在无需看到训练期间未曾见过的物体类别的情况下生成了像素级的前景对象分割，并在 ImageNet 和 MIT ObjectDiscovery 数据集上显著改善了前景分割的最新技术成果。我们最后展示了该方法如何使图像检索和图像重排具备更好的应用前景图。

    Jan, 2017

  • HyperNet：准确区域提议生成与联合目标检测

    本文提出了深层分层网络 HyperNet，以处理区域提案生成和目标检测。HyperNet 基于精心设计的超级特征，将图像的深层、中间和浅层特征结合在一起，实现了端到端的联合训练策略，并在每张图像使用仅 100 个提案达到了 PASCAL VOC 2007 和 2012 检测数据集上的完全领先的召回和最先进的目标检测准确度。

    Apr, 2016

  • 学习分割物体候选区

    本文提出一种新的物体检测方法，利用基于判别卷积神经网络的方法生成物体提案，得到高比例正确检测结果，且不需要以往低层次分割技术。

    Jun, 2015

  • 快速全景分割网络

    本研究提出了一种名为 Fast Panoptic Segmentation Network（FPSNet）的端到端网络，将全景任务转化为自定义的密集像素分类任务以实现像素级分类和实例识别，在 Cityscapes 和 Pascal VOC 数据集上取得了更好或类似的全景分割性能，比现有的全景分割方法更快。

    Oct, 2019

  • 无 Anchor，两阶段物体检测的角点提案网络

    该论文提出了一种新的基于角点建议网络（CPN）的锚点自由，两阶段目标检测框架，首先通过查找潜在角点关键点组合提取了许多物体建议，然后通过一个独立的分类阶段为每个建议分配一个类别标签，从而提高了召回率和精度。在 MS-COCO 数据集上，CPN 实现了 49.2% 的 AP，超越了大多数同样推理速度的竞争对手。

    Jul, 2020