Flood-Filling 网络
本研究提出了一个基于卷积神经网络可快速分割洪水淹没建筑的新方法,并结合多分辨率、多传感器、多时相卫星图像,本方法迅速生成卫星图像洪水地图,有助于应对洪水事件的早期响应;同时,通过结合多时相信息,本方法也能用于快速而精确的灾后伤害评估,并可帮助政府更好地协调中长期的财政援助计划。我们还将我们基于编码器 - 解码器结构的多流视频数据融合方法与其他现有研究进行了比较,并证明了它的性能更佳。此外,我们还发布了一个全面预处理和标记的多分辨率和多时相卫星图像灾害数据集以及我们的源代码。
Dec, 2018
通过结合语义分割和语义感知边缘检测,将类边界显式地融入模型,有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题,从而显著地提高了基于卷积神经网络的语义分割准确度,该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。
Dec, 2016
本文介绍了一种基于卷积神经网络和经典的 watershed transform 的能量图方法来解决实例分割问题,并在 Cityscapes 实例级别分割任务中取得了比现有最先进方法更好的效果。
Nov, 2016
我们提出了一种通过高分辨率航空影像中的轮廓水道对农田进行分割的端到端可训练网络。我们使用多个投票块将融合块与主干网结合起来,产生语义预测和分割切片,并在预测上执行多数投票。我们的方法在国家农业影像计划的图像上取得了 94.34% 的平均准确率,相对于现有技术方法平均 F1 得分提高了 6.96% 和 2.63%。
Sep, 2023
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
本文提出了多阶段多递归输入的完全卷积网络通过学习低阶段的不同感受野大小的多个侧面输出,为后续学习提供多尺度的上下文边界信息,以解决电子显微镜图像分割的挑战问题,结果在两个公共可用的 EM 分割数据集上取得了有希望的结果。
Mar, 2017
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
本文介绍了一种名为 OBG-FCN 的全卷积神经网络,它能够利用物体边界信息以完成更为精细的语义分割,其在 PASCAL VOC 分割基准测试上得到了显著的优化。
Mar, 2016
本研究提出了一种基于卷积神经网络的模型,只利用物体类别信息,通过最小化对目标分割任务的先验仅推断目标分割。我们展示了该模型在相对于弱监督物体分割任务中领先于业界最先进的方法。
Nov, 2014