Apr, 2016

像素级编码和深度分层用于实例级语义标注

PDF
TL;DR本文进行了实例感知语义分割的研究，提出了一种利用全卷积网络的方法预测语义标签、深度和基于实例的编码，并通过低层次计算机视觉技术在 KITTI 和 Cityscapes 街景数据集上生成最先进的实例分割，该方法在性能上超过了现有的工作，并可以额外预测单个实例与单眼图像的绝对距离以及像素级语义标签。
instance-aware semantic labelingconvolutional neural networksmulti-task architecturesinstance segmentationfully convolutional network
发现论文，激发创造
  • 使用卷积神经网络实现单目物体实例分割和深度排序

    本文针对从单目图像进行实例级别分割和深度排序的问题，利用卷积神经网络训练来直接预测实例级别分割，同时采用马尔科夫随机场来提供图像的连贯单个解释，旨在预测准确的实例级别分割和深度排序，并在 KITTI 基准测试中表现出很好的性能。

    May, 2015

  • 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

  • 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

  • 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

  • PixelNet：通向通用像素级架构

    通过采用分层抽样和多尺度特征的方法，优化以卷积预测器为基础的像素级预测问题的神经网络结构，显著提高了模型在低级边缘检测、中级表面法线估计和高级语义分割中的性能.

    Sep, 2016

  • 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

  • 看见万物背后：将语义分割扩展至被遮挡的区域

    本文利用深度学习网络结构，使用单个深度图像为输入，实现了语义分割中对可见和遮挡物体及其部分的类型预测，将语义类别进一步细分为背景和多个前景物体组，并改进了标准的交叉熵损失函数以适应这种情况，实验证明所提出的分类方法能够验证预测出被遮挡物体部分的语义类别，无需增加网络结构规模，其性能在由 SUNCG 数据集生成的新数据集上得到验证。

    Jun, 2019

  • 基于深度着色的实例分割

    本文提出了一种新的实例分割到语义分割的简单归约方法，使用彩色分配和卷积神经网络进行训练和测试，试验结果表明该方法在解决自动驾驶、植物表型学和高通量显微镜图像分析等领域的实例分割任务方面具有较高的有效性。

    Jul, 2018

  • 全卷积实例感知语义分割

    本文提出了第一个完全基于卷积的端到端解决方案，用于实例感知的语义分割任务，它继承了 FCNs 的所有优点，包括用于语义分割和实例掩码提议的实例掩码预测和分类，并且在这两个子任务以及 ROI 的所有区域之间完全共享其底层卷积表示，所建议的网络高度集成，并在准确性和效率方面均实现了最先进的性能。它以很大的优势赢得了 COCO 2016 分割竞赛。

    Nov, 2016

  • 使用卷积神经网络实现亚分米分辨率图像的密集语义标注

    本文基于卷积神经网络提出了一种深度学习系统，能够在高分辨率的航拍图像上检测地物信息并达到了良好的识别精度。

    Aug, 2016