Apr, 2016

使用深度卷积网络进行联合语义分割和深度估计

PDF
TL;DR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。
multi-scale deep cnnsdepth estimationsemantic segmentationsimultaneous modelfully connected crf
发现论文，激发创造
  • SDNet: 基于语义引导的深度估计网络

    论文提出了一种同时预测深度估计和语义分割输出的 CNN 模型，通过对单目输入图像进行实验，我们证明了该模型对于场景理解和深度估计能力达到了最新的研究水平。

    Jul, 2019

  • 分析用于联合深度预测和语义分割的模块化 CNN 架构

    本论文介绍了一种用于深度估计和语义分割的神经网络框架设计，分析了深度和语义预测图之间的交叉模态影响，并提出了平衡交叉模态影响以实现更好精度的方法。通过提出的 CNN 架构，达到了在 NYU-Depth v2 基准测试中，同时提高深度估计和语义标记的结果的目的。

    Feb, 2017

  • 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

  • 全连接深层结构网络

    该研究提出了一种单一联合训练算法，能够有效地应用于语义图像分割任务，并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。

    Mar, 2015

  • 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

  • 深度估计和语义分割的混合网络

    通过混合卷积网络从单个输入图像中同时解决深度估计和语义分割两个重要任务，改善了特征提取过程，实验结果表明 HybridNet 的性能与最先进方法以及其基于的单任务方法相当。

    Feb, 2024

  • 室内语义分割使用深度信息

    采用多尺度卷积神经网络直接从图像和深度信息中学习特征实现室内场景的多类别分割，并在 NYU-v2 深度数据集上取得了 64.5% 的准确率，充分说明了适当的硬件（如 FPGA）可以实现实时处理。

    Jan, 2013

  • 使用共同的多尺度卷积结构预测深度，表面法线和语义标签

    本文提出了一个利用多尺度卷积神经网络实现计算机视觉中深度预测、表面法线估计和语义标签等任务的方法，并在各项任务的基准测试中实现了最优表现。

    Nov, 2014

  • 使用多尺度连续 CRFs 作为顺序深度网络进行单目深度估计

    本文提出了一种基于多尺度卷积神经网络、条件随机场及其连续形式的深度学习模型，用于单张静态图片的单目深度估计，该模型使用连续性的 CRF 完成深度估计，同时提出两个不同的变体，其中一个建立了多个 CRF 级联模型，另一个提出了一种结合模型；最后，作者在 NYUD-V2、Make3D 和 KITTI 等公共数据集上进行了大量实验，结果表明所提出方法得以有效地实现，并取得了目前最新的研究成果。

    Mar, 2018

  • DispSegNet: 借助语义实现从立体影像端到端的视差估计学习

    本文提出了一种用于改善深度估计的 CNN 体系结构，该体系结合语义分割任务。所提出的模型是使用无监督方法进行训练的，并采用双目摄像系统的图像对。实验表明，使用语义分割的嵌入可以提高深度估计的性能

    Sep, 2018