全卷积实例感知语义分割
本文介绍了一种基于全卷积神经网络 (FCNs) 的实例级分割算法,通过像素级分类器计算相对位置和一些敏感的分数映射,然后通过一个简单的组装模块能够输出每个位置的实例候选。该方法在 PASCAL VOC 和 MS COCO 上具有较好的实例分割性能表现。
Mar, 2016
本文提出了一种利用全卷积神经网络直接预测实例标签的方法,并将分割问题作为最小化优化函数的变分松弛问题来处理,并扩展了经典的 Mumford-Shah 变分分割问题以处理实例分割中的置换不变标签,实验证明此方法能有效地解决实例分割任务。
Jul, 2020
本文介绍了一种基于 Multi-task Network Cascades 的实例感知语义分割模型,该模型包含三个网络,分别用于区分实例、估算掩模和分类物体。该方法在 PASCAL VOC 数据集上达到了最先进的实例感知语义分割准确度,并且速度比之前的系统快两个数量级。
Dec, 2015
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
本文进行了实例感知语义分割的研究,提出了一种利用全卷积网络的方法预测语义标签、深度和基于实例的编码,并通过低层次计算机视觉技术在 KITTI 和 Cityscapes 街景数据集上生成最先进的实例分割,该方法在性能上超过了现有的工作,并可以额外预测单个实例与单眼图像的绝对距离以及像素级语义标签。
Apr, 2016
基于全卷积网络(FCN)的图形模型 Graph-FCN 用于图像语义分割,将图像网格数据扩展为图形结构数据,然后应用图形卷积网络解决图形节点分类问题,与原始 FCN 模型相比在 VOC 数据集上实现了竞争性的 mIOU 性能提升约 1.34%。
Jan, 2020
本研究提出了一种名为 TernausNetV2 的简单卷积神经网络,可以从高分辨率卫星图像中提取物体的实例级信息,具有应用于语义分割和实例分割任务的普适性,通过扩展视觉到更广泛的光谱范围中实现转移学习,实现了在 DeepGlobe-CVPR 2018 建筑检测子挑战中优越的性能。
Jun, 2018
本文介绍了一种名为 Panoptic FCN 的概念简单、强大、高效的全景分割框架,该方法旨在以统一的卷积管道中表示和预测前景物体和背景杂物。通过提出的内核生成器,Panoptic FCN 将每个对象实例或杂物类别编码为特定的内核权重,并通过将高分辨率特征直接卷积来生成预测。通过这种方法,实例感知和语义一致的特性可以分别在一个简单的生成内核,然后进行分割的工作流中得以满足。在 COCO、Cityscapes 和 Mapillary Vistas 数据集上,不需要额外的定位框或实例分离,所提议的方法在单尺度输入上具有比以前的基于框和无框模型更高的效率。
Dec, 2020
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
本研究介绍了一种新的学习目标,用于训练深度神经网络执行端对端的图像像素聚类,该方法已应用于实例分割,其结果是出色的,并且在 2017 CVPR 自动驾驶挑战的车道检测竞赛中获得第二名,而在不使用外部数据的情况下是最优表现者。
Mar, 2018