DeepCut: 使用卷积神经网络从边界框标注进行对象分割
提出了一种使用欧氏距离图将矩形作为软约束的新型分割方法,通过将图像与这些距离图拼接并将对象掩模预测为输出,我们的方法在给定不精确的矩形的情况下获得准确的分割结果,且适用于交互式分割和实例分割,同时在不重新训练的情况下扩展到基于曲线的输入,并通过条件随机场解决重叠问题,实验结果表明了该方法的有效性。
Jul, 2017
本文旨在探讨将物体的极点作为输入,结合卷积神经网络 (CNN) 中的高斯分布,实现图片和视频物体分割,并且在各种基准测试和数据集中证明了该方法的高精度和易用性。
Nov, 2017
本文提出了一种名为 LooseCut 的新算法,采用 Markov Random Fields 模型,可以处理输入包含前景目标的边界框不太紧的情况,并通过迭代最大流算法解决该模型。LooseCut 可用于增强无监督视频分割和图像显着性检测性能,并在三个公开的图像数据集中表现良好。
Jul, 2015
本文提出了一种名为 BoxSup 的方法,通过利用 bounding box annotations 代替 human-annotated, pixel-level segmentation masks 来训练卷积网络,循环生成 region proposals 和训练卷积网络来恢复分割掩模和提高网络的准确性。这个方法在 PASCAL VOC 2012 和 PASCAL-CONTEXT 上取得了 state-of-the-art 的结果。
Mar, 2015
该研究提出了一种基于图神经网络的图像分割方法,相较于现有方法可以隐式地完成部件语义分割,用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。
Dec, 2022
本文提出一种基于盒子注释的弱监督深度学习方法,通过结合图形搜索和深度学习的方法从盒注释中生成精细的对象掩模,并且使用生成的掩模来训练准确的深度学习分割网络,实验结果表明,该方法优于目前已知的最佳弱监督深度学习方法,并且能够以远少于制备全监督深度学习方法相同的注释成本来实现几乎相同的准确性,而且能够有效地应用于各种应用领域。
Jun, 2018
通过将深度卷积神经网络应用于边界检测任务,结合精心设计的损失、多分辨率架构和外部数据的训练,结合基于 Normalized Cuts 技术的聚类方法的深度学习,将边界检测的最优分割数据量的 F 测量从 0.780 提高到 0.808,成功提升了现有技术水平,并在与语义分割任务相结合的测试中表现出对现有系统的明显改进。
Nov, 2015
该论文介绍了一种名为 SceneCut 的新方法,它使用单个 RGB-D 图像联合推理场景语义和几何学,从而使机器人能够在现代基于深度学习的方法在分离对象实例方面失败或在训练期间未见过的对象上失败的复杂场景中检测和分割对象实例。我们评估了 SceneCut 在几个不同的室内环境中,结果表明 SceneCut 显著优于所有现有的方法。
Sep, 2017
本文提出一个新的基于深度学习的交互分割框架,该框架将卷积神经网络(CNN)引入到边界框和涂鸦分割管道中,并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能,实验结果表明我们的方法比现有的 CNN 方法更鲁棒,并能够在更少的用户交互和更短的时间内获得准确的分割结果。
Oct, 2017
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