本研究通过对 CNNs 的内部状态进行聚类,提出了一种无监督学习方法来发现物体的语义部件表达,即 Visual Concepts,并证明了其在物体部件检测和语义标注方面的有效性。
Nov, 2015
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
该研究提出了一种从预先训练的卷积神经网络中提取对象 - 部分概念的学习策略,通过挖掘预先训练的 CNN 中的潜在模式,并将它们与不同的语义部分关联来逐步在 CNN 上构建一个具有语义解释性的图形模型,以实现层次化的对象理解。
Nov, 2016
本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD,通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心,实现对 CUB200-2011 数据集进行优秀的监测和分类性能,同时不需要在测试期间给定边界框或计算真假部分。
Nov, 2014
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
本文提出了一种同时处理语义对象和部件分割的联合解决方案,其中提供了更高级的对象级上下文来引导部件分割,并利用更详细的部件级定位来改进对象分割。所提出的方法在三个不同的数据集上进行了广泛的评估,证明它可以相互增强对象和部件分割的性能,并在两个任务上都优于现有技术水平。
本文介绍卷积神经网络在图像语义分割领域的应用,通过深入研究相关架构,提出了更加高效和灵活的 CNN 框架,能够在高分辨率航空影像语义分割任务中取得更好的性能表现。
本文提出了一种基于部位的 CNN 模型,在手动标注的强部位注释的基础上,通过模拟物体部件之间微小的差异来显式解释精细分类过程,同时由计算多个物体部分之间的共享策略,提高了效率,并获得了良好的准确度和模型可解释性的实验结果。
Dec, 2015
该研究使用特征打乱的方法,结合 CNNs 的最小可识别构型分析和有效接受域尺寸的系统控制,探索了 CNNs 在对象分类中是否使用特征的空间排列,并且发现它们实际上能够利用相对较远的空间关系进行对象分类,同时证明 CNNs 使用的空间关系程度非常依赖于特定数据集和该数据集中不同类别对象的分类策略也不同。最后,研究还发现 CNNs 只能学习特征的中间粒度的空间排列,这提示了在对象分类中中间层次的形状特征提供了敏感度和特异性之间的最佳平衡点。
Dec, 2022
本篇论文介绍了一种用于检测部分遮挡对象的语义部分的方法,该方法使用本地视觉线索的置信度进行语义部分的检测并使用简单的投票技术来处理局部线索。实验证明,该方法在存在遮挡的情况下,在语义部分检测方面性能优于其他竞争方法。
Jul, 2017