Nov, 2015

边界神经场的语义分割

PDF
TL;DR本文介绍了一种基于 Boundary Neural Field (BNF) 的全局能量模型，该模型将 FCN 预测与边界提示相结合，以提高数据集的语义分段一致性和物体定位。实验证明，这种基于边界的全局优化方法在定量和定性方面均比现有方法更优越。
semantic segmentationfully convolutional networksboundary neural fieldobject localizationglobal energy model
发现论文，激发创造
  • 目标边界引导的语义分割

    本文介绍了一种名为 OBG-FCN 的全卷积神经网络，它能够利用物体边界信息以完成更为精细的语义分割，其在 PASCAL VOC 分割基准测试上得到了显著的优化。

    Mar, 2016

  • 边缘分类：边界检测改善语义图像分割

    通过结合语义分割和语义感知边缘检测，将类边界显式地融入模型，有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题，从而显著地提高了基于卷积神经网络的语义分割准确度，该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。

    Dec, 2016

  • 深度卷积网络与全连接 CRF 的语义图像分割

    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

  • 嵌入式条件随机场用于语义分割中边界引起的类别权重混淆

    本文提出了一种名为 Embedded Conditional Random Field (E-CRF) 的方法，通过将 CRF 与 CNN 网络有机融合来更有效地进行端到端优化，从而解决分割模型中类别权重的问题，特别关注的是由于邻接边界像素共享而导致的类别权重混淆问题。方法中利用了 CRF 引导了高层特征之间的信息传递，利用相同对象内像素来净化边界像素的特征表示，并且在反向传播期间优化类别权重。实验结果在 ADE20K、Cityscapes 和 Pascal Context 数据集上表现出了令人瞩目的效果。

    Dec, 2021

  • 卷积随机游走网络用于语义图像分割

    本文介绍了一种简单却有效的 Convolutional Random Walk Network（RWN）用于解决 FCN 中存在的问题，通过 Pixelwise Affinity 和语义分割共同优化这两个目标，通过新型随机游走层组合这两个目标，从而在深层网络中实现一致的空间分组。与传统的 FCN 相比，我们的实现仅需要 131 个额外的参数，却在语义分割和场景标记方面始终保持着优势。

    May, 2016

  • 基于高层引导的语义部分分割深度学习

    本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。

    May, 2015

  • 深度神经网络中的高阶条件随机场

    该研究通过在深度网络中嵌入结构化的 CRF，将包含目标检测和超像素等等高级潜在因素的方法应用于语义分割任务中，实现了 PASCAL VOC 基准上最佳分割性能。

    Nov, 2015

  • 使用卷积神经网络和判别式训练的域变换进行任务特定边缘检测的语义图像分割

    本研究提出一种基于深度卷积神经网络和领域变换滤波器的语义图像分割方法，该方法通过替代全连接条件随机场并控制去噪程度来有效提高对象定位精度和加速密集的条件随机场推理，而利用 CNN 特征来学习引用边缘地图可生成接近任务目标的边缘，进而优化了分割质量，从而在语义分割结果上取得了可比较的精度。

    Nov, 2015

  • 多阶段多递归输入全卷积网络用于神经元边界检测

    本文提出了多阶段多递归输入的完全卷积网络通过学习低阶段的不同感受野大小的多个侧面输出，为后续学习提供多尺度的上下文边界信息，以解决电子显微镜图像分割的挑战问题，结果在两个公共可用的 EM 分割数据集上取得了有希望的结果。

    Mar, 2017

  • 利用 CNN 特征学习 CRF 以进行图像分割

    本文主要介绍了一种基于预训练的 CNN 和 CRF 的图像分割方法，通过构建一些潜在的超像素来生成 CRF 的 potentials，并借助结构化 SVM 来学习 CRF 参数。研究者们还构建了空间相关的、共现的二元 potentials，以更加准确地描述目标物体在一定空间布局下的标签关系。实验表明，该方法在很多二元和多元分割测试中表现出很好的性能。

    Mar, 2015