CVPRNov, 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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 卷积条件随机场用于语义分割

    该论文介绍了如何在全连接 CRFs 中添加条件独立假设，从而利用卷积重构推理，提高了推理和训练的速度，并可以通过反向传播轻松优化卷积 CRFs 的所有参数，以便于后续的 CRF 研究。

    May, 2018

  • 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

  • 使用 3D 卷积神经网络和后验 CRF 在医学图像中进行语义分割的端到端方法

    本文提出一种名为后验概率 CRF 的全新的端到端训练方法，该方法将 3D 全连接 CRF 应用于 CNN 的后验概率中，并一起优化 CNN 和 CRF，实验结果表明我们的方法在白质高信号区分割上表现优于 CNN，后处理 CRF 和不同的端到端训练 CRF 方法。

    Nov, 2018

  • 将深度信息融合至 CNN 和 CRF 用于室内语义分割

    本文提出了一种新的神经网络结构 (DFCN-DCRF)，该结构将 RGB-D 完全卷积神经网络 (DFCN) 与深度敏感的全连接条件随机场 (DCRF) 相结合，以改善分割性能。在实验中表明，DFCN-DCRF 与大多数最先进的方法相比具有最好的性能。

    May, 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

  • 条件随机场作为循环神经网络

    介绍了一种名为 CRF-RNN 的新型卷积神经网络，该网络将卷积神经网络（CNN）和基于 CRFs 的概率图建模相结合，用于语义图像分割任务，结果在 Pascal VOC 2012 分割基准测试上获得了最好的结果。

    Feb, 2015

  • 使用深度卷积网络进行联合语义分割和深度估计

    本研究采用多尺度卷积神经网络，提出一种单一 RGB 图像用于深度估计和语义分割的深度学习模型，该模型采用单一损失函数进行训练，同时使用完全连接的 CRF 捕捉语义和深度线索之间的上下文关系和交互作用，实现更精确的结果。在 NYUDepth V2 数据集上进行实验，该模型在语义分割方面表现优于最先进方法，在深度估计任务上实现可比较的结果。

    Apr, 2016

  • 使用基于超像素的 CNN 和 CRF 模型实现高效细粒度道路分割

    本文提出了一种使用 CNN 和 CRF 相结合的方法进行道路场景分割，采用超像素为 CNN 的输入基础，使计算效率更高，在保持较快运行速度的同时，在 KITTI 路标准测试中取得了可比拟的性能，适合于实时应用

    Jun, 2022

  • 一种集成 FCNN 和 CRF 的深度学习模型用于脑肿瘤分割

    开发了一种结合全卷积神经网络和条件随机场的新型脑肿瘤分割方法，该方法基于图像块和图像切片训练多个深度学习模型，并将它们组合起来使用投票策略进行脑肿瘤分割。实验证明，该方法在多模态脑肿瘤影像分割方面取得了竞争性的性能，可以实现逐层切片的快速分割。

    Feb, 2017