Jun, 2016

DeepLab：通过深度卷积网络，空洞卷积和全连接 CRF 进行语义图像分割

PDF
TL;DR本文提出了一种利用 Deep Learning 完成语义图像分割的方法，通过引入 atrous convolution 以及 atrous spatial pyramid pooling 来解决对象掩模问题，并结合 max-pooling 和 downsampling 与全连接条件随机场（CRF）来提高对象边界的定位准确性，在 PASCAL VOC-2012 等数据集上全面超越了以往的成果。
发现论文，激发创造
  • 重新思考空洞卷积在语义图像分割中的应用

    本文旨在设计 DeepLabv3 系统进行语义图像分割，并通过引入多尺度上下文与全局信息，使用多种空洞卷积组合实现对多尺度物体的分割，最终在 PASCAL VOC 2012 语义图像分割基准测试中取得了令人满意的表现。

    Jun, 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

  • DSNet：一种在语义分割中使用空洞卷积的新方法

    在语义分割任务中，采用空洞卷积作为增加感受野的方法，本研究通过在模型浅层引入大核心空洞卷积以及预训练图像编码器等策略，提出了 DSNet，一种新的双分支卷积神经网络结构，它在 ADE20K、Cityscapes 和 BDD 数据集上以更高的准确率和速度获得了最新的表现。

    Jun, 2024

  • 城市街景的实时高性能语义图像分割

    本文提出了一种用于城市街景的语义分割的高性能深卷积神经网络方法，它实现了精度和速度之间的良好权衡，并展示了在实时速度下使用单个 NVIDIA TITAN X 卡片在具有挑战性的 Cityscapes 和 CamVid 测试数据集上分别实现了 73.6％和 68.0％的 mIoU 精度。

    Mar, 2020

  • 采用空洞可分离卷积的编码器 - 解码器用于语义图像分割

    本文介绍了一种深度学习模型 DeepLabv3+，将网络的编码器和解码器模块相结合，采用空洞空间金字塔池化和深度可分离卷积技术，用于语义分割任务，实验表明该模型取得 89.0% 和 82.1% 的测试集性能，且附有 TensorFlow 参考实现。

    Feb, 2018

  • 分辨率感知的用于语义分割网络的空洞率设计

    为了获得最佳的可变倍数空洞率，本研究提出了基于输入图像尺寸的实用指南，并对深度神经网络 DeepLab 中的分割模块进行了内部行为分析，发现使用最佳的可变倍数空洞率能够持续提高分割结果。

    Jul, 2023

  • 一种自适应采样方案，用于高效训练全卷积网络进行语义分割

    本文旨在解决在大型稀疏数据集上进行语义分割任务的挑战，提出了一种自适应采样方法和基于深度双通道卷积神经网络的算法，取得了 VISCERAL 解剖学基准测试的最新的最好结果。

    Sep, 2017

  • 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

  • 基于高层引导的语义部分分割深度学习

    本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。

    May, 2015

  • 用完全卷积网络对高分辨率航空影像进行密集语义标注

    本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

    Jun, 2016