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。
Nov, 2016
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
本文提出了一种新型架构,用于全局地等效进行反卷积操作并获取密集预测进而解决卷积神经网络在语义图像分割任务中的两个独特挑战,即低分辨率输出与局部特征提取中的全局信息不足。实验结果表明,在 PASCAL VOC 2012 基准测试中,本文方法取得了 74.0% 的平均 IU 准确率,优于当前最先进的语义分割模型。
Feb, 2016
该研究证明,卷积网络可以通过端到端的训练,从像素到像素地训练,超越先前的语义分割最先进方法,通过自适应大小输入和高效学习来生成相应大小的输出。该研究还详细介绍了全卷积网络的应用于空间密集预测任务,并将 AlexNet、VGG 网和 GoogLeNet 等现代分类网络改进成全卷积网络,并将它们学习到的表示通过微调应用于语义分割任务。最后,该研究提出了一种新的网络架构,将深层次粗糙层和浅层外观信息相结合以生成准确和详细的分割结果,在 PASCAL VOC、NYUDv2 和 SIFT Flow 数据集上实现了最先进的语义分割(2012 年的 mean IU 相较前一方法提高 20%),对典型图像的推理时间仅需三分之一秒。
Nov, 2014
该论文提出了一种改进像素级语义分割的深度学习方法,其中涵盖了密集上采样卷积和混合空洞卷积框架,达到了在 Cityscapes 等数据集上的最先进结果。
Feb, 2017
本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析,文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果
Jul, 2017
提出了一种基于 CNN 的新型深度模型(ScasNet),用于在具有高度复杂的城市环境下对非常高分辨率(VHR)图像进行语义标注。ScasNet 通过全局到局部环境聚合和粗到精微的细化策略,以及专用的残差校正方案,大大提高了标记的一致性和准确性,并在三个公共数据集上获得了最先进的性能。
Jul, 2018
本文提出了一种基于卷积神经网络的 Fully Convolutional Networks(FCN)方法,可以用于图像的深度语义分割。通过该方法,我们成功地提高了 PASCAL VOC、NYUDv2、SIFT Flow 和 PASCAL-Context 等公开数据集上的 segmentation 模型的性能,并且推断速度远快于之前的相关工作。
May, 2016
使用高分辨率图像分类和卷积超分辨率技术相结合的方法,提出了一种用于解决低分辨率图像细节问题的端到端的深度模型,并在 Stanford Cars 和 Caltech-UCSD Birds 200-2011 数据集上进行了广泛的实验,结果表明该模型在低分辨率图像中能更好地分类细分类别。
Mar, 2017
本文提出了一种基于残差网络的高性能语义图像分割方法,并对不同变体的完全卷积残差网络进行了评估,进一步提出了用低分辨率网络模拟高分辨率网络的方法,引入了在线启动方法以及在一些残差块上应用的传统退化法,取得了在 PASCAL VOC 2012 数据集和 Cityscapes 上最好的平均重叠联合 75 的性能表现。
Apr, 2016