CVPRNov, 2015

ReSeg：一种基于循环神经网络的语义分割模型

PDF
TL;DR该研究提出了一种基于卷积神经网络 (CNN) 本地通用特征和循环神经网络 (RNN) 为距离依存性检索提供了能力的结构预测框架，称为 ReSeg，旨在解决更具挑战性的语义分割任务并兼顾效率、灵活性和适用性，通过在多个数据集上的评估显示出了最先进的性能优势。
发现论文，激发创造
  • 语义实例分割的递归神经网络

    我们提出了一种用于语义实例分割的循环模型，它可以为图像中的每个对象顺序生成二进制掩码和它们的相关类概率。

    Dec, 2017

  • 卷积层和循环层的优势结合：一种适用于语义分割的混合网络

    探讨了如何在图像识别的语义分割领域中，采用 ReNet 层代替全卷积神经网络中的级联卷积和池化层来使局部感受野具有全局信息，并开发了一种新的混合深层 ReNet（H-ReNet）模型，经实验证明其在 PASCAL VOC 2012 基准测试中的识别准确度比 Piecewise、CRFasRNN 和 DeepParsing 高 3.6%、2.3% 和 0.2%。

    Mar, 2016

  • SegNet：一种用于强健语义像素级标注的深度卷积编码器 - 解码器架构

    提出 SegNet，一种用于语义像素级图像标注的深度编码器 - 解码器结构。该网络通过编码器捕捉图像特征，并使用解码器映射到原始图像尺寸，实现了准确的像素级预测。在无需额外辅助信息的情况下，在几个公共基准数据集上的表现均优于最先进的方法。

    May, 2015

  • SegNet：一种用于图像分割的深度卷积编码器 - 解码器架构

    本文介绍了一种用于语义像素分割的深度全卷积神经网络，称为 SegNet。该网络架构由编码器网络、相应的解码器网络和像素分类层组成，编码器网络的拓扑结构与 VGG16 网络的 13 个卷积层完全相同，解码器使用池化索引计算非线性上采样，使得解码器可以将低分辨率的特征映射映射到全分辨率的特征映射，从而在像素级别进行分类。评估结果表明，SegNet 相对于其他现有的架构具有更好的推理性能和更高的效率。

    Nov, 2015

  • 基于 U-Net 的循环残差卷积神经网络（R2U-Net）用于医学图像分割

    本文介绍了一种基于 U-Net 的循环卷积神经网络（RCNN）基础上的模型 RU-Net 和基于 U-Net 的循环残差卷积神经网络（RRCNN）基础上的模型 R2U-Net。这些模型在医学图像分割任务中表现出优异的性能，比 U-Net 和 ResU-Net 等等同网络参数的模型表现更好。

    Feb, 2018

  • 卷积门循环神经网络用于视频分割

    本文提出了一种基于全卷积神经网络和门控循环体系结构的循环全卷积网络，利用视频中的时间信息进行在线语义分割， 大幅提高了分割的准确性，可以在二进制和语义视频分割任务中应用。

    Nov, 2016

  • ReNet：基于循环神经网络的卷积网络替代方案

    本文提出了一种基于循环神经网络的深度神经网络架构 (ReNet) 用于目标识别，该网络使用四个循环神经网络替换了深度卷积神经网络中常用的卷积 + 池化层，并在 MNIST、CIFAR-10 和 SVHN 三个广泛使用的基准数据集上进行评估，结果表明 ReNet 是深度卷积神经网络的可行替代方案，并且需要进一步研究。

    May, 2015

  • 变量计算预算的循环分割

    本文提出了一种递归神经网络用于语义图像分割，该网络可在各种计算预算的范围内部署，并可用于有效地分割静态图像和视频。该方法通过利用先前帧的分割来进行视频分割，在降低计算成本的同时保持了分割质量。

    Nov, 2017

  • 限资源分割的循环 U-Net

    该论文介绍了一种新颖的循环 U-Net 网络结构，它可以保留原始 U-Net 的紧凑性，并显著提高其性能，尤其在几个基准测试中超过了现有技术。该方法不仅适用于手部、视网膜血管和道路等多种分割任务，还引入了大规模手部分割数据集。

    Jun, 2019

  • SegNet：一种基于分段的深度学习卷积神经网络方法用于无人机野火检测

    通过提出适用于无人机 / 无人机图像的分割神经网络（SegNet）选择方法，该研究旨在缩短特征图以显着提高实时野火检测的处理速度和准确性，从而为全球野火检测增加了实时检测能力、野火检测准确性以及早期野火检测的能力。

    Feb, 2024