作者提出一种针对弱监督和半监督学习条件下的语义图像分割模型训练的 Expectation-Maximization 方法,实验表明所提技术具有竞争性的成果,同时需求更少的标注工作量。
Feb, 2015
我们提出了一种新的语义实例分割方法,该方法首先计算两个像素可能属于同一个对象的概率,然后将相似的像素分组。我们的相似度度量基于一种深度的,完全卷积的嵌入模型。我们的分组方法基于选择所有与从深度完全卷积计分模型中选择的一组 “种子点” 足够相似的点。我们在 Pascal VOC 实例分割基准测试中展示了竞争性的结果。
Mar, 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
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
该研究提出了通过将图像映射到类别嵌入中以学习语义鉴别性特征的方法,从而提高图像检索结果的语义一致性。结果显示在 CIFAR-100,NABirds 和 ImageNet 上,学习到的图像嵌入大大提高了图像检索结果的语义一致性。
Sep, 2018
该论文提出了一种改进像素级语义分割的深度学习方法,其中涵盖了密集上采样卷积和混合空洞卷积框架,达到了在 Cityscapes 等数据集上的最先进结果。
Feb, 2017
应用深度学习的方法解决在损失图像和视频压缩中提高视觉质量的问题,通过训练一个特定的卷积神经网络,实现对图像语义的理解,并通过对每个对象训练特征的方式生成高质量的压缩图像。
Dec, 2016
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。
本文研究目标检测和实例分割问题,提出了一种基于像素级别标签的解决方案,证明了构造可以分离对象实例的密集像素嵌入不易使用卷积运算实现,但也表明了简单的修改可以更好地解决该问题。我们将其与 Hough 投票和双边核的变体相关联,并演示了这些运算符可以用于改进 Mask RCNN 等方法。
Jul, 2018
本文介绍卷积神经网络在图像语义分割领域的应用,通过深入研究相关架构,提出了更加高效和灵活的 CNN 框架,能够在高分辨率航空影像语义分割任务中取得更好的性能表现。
Nov, 2016