May, 2016

卷积随机游走网络用于语义图像分割

PDF
TL;DR本文介绍了一种简单却有效的 Convolutional Random Walk Network（RWN）用于解决 FCN 中存在的问题，通过 Pixelwise Affinity 和语义分割共同优化这两个目标，通过新型随机游走层组合这两个目标，从而在深层网络中实现一致的空间分组。与传统的 FCN 相比，我们的实现仅需要 131 个额外的参数，却在语义分割和场景标记方面始终保持着优势。
semantic segmentationconvolutional random walk networkfcnpixelwise affinityspatial grouping
发现论文，激发创造
  • 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

  • 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

  • 边界神经场的语义分割

    本文介绍了一种基于 Boundary Neural Field (BNF) 的全局能量模型，该模型将 FCN 预测与边界提示相结合，以提高数据集的语义分段一致性和物体定位。实验证明，这种基于边界的全局优化方法在定量和定性方面均比现有方法更优越。

    Nov, 2015

  • 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

  • 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

  • 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

  • 用于语义分割的分层反卷积网络

    提出了一种基于多层浅层反卷积网络（SDN）的语义分割技术，通过多层网络集成上下文信息并加入层内和层间连接以提高特征融合和流向信息，应用层级监督优化网络训练，取得优异的分割效果。

    Aug, 2017

  • 基于图卷积网络的弱监督图像语义分割

    本研究提出了一种基于图卷积网络的特征传播框架，将完整的伪标签的生成作为半监督学习任务来解决弱监督图像语义分割问题，并在 PASCAL VOC 2012 数据集上通过实验得到了比其他最先进的基线方法更好的结果。

    Mar, 2021

  • 基于随机游走的 1D 卷积图学习

    本研究提出了 CRaWl，一种基于 1D CNNs 处理小子图序列的神经网络架构，用于图学习，可高效地进行小子图计数和随机游走技术，并在分类和回归上的图多个基准数据集上，表现出与最新 GNN 架构匹配或优于其表现。

    Feb, 2021

  • 带有改进随机游走核的描述性卷积网络

    该研究提出了改进的图核函数 RWK+，引入了颜色匹配的随机游走并导出了高效的计算方法，进而提出了使用 RWK + 为核心的 KCN 模型 RWK+CN，通过无监督目标学习描述性图特征。此外，该研究还在实验中展示了 RWK + 的表达能力以及 RWK+Conv 层在图级任务上的有效性，并说明了 RWK + 和 RWK+Conv 在各种真实世界应用中的适应性。

    Feb, 2024