ECCVJan, 2017

卷积定向边界：从图像分割到高级任务

PDF
TL;DR本文提出了一种名为 Convolutional Oriented Boundaries (COB) 的方法，该方法通过图像分类卷积神经网络（CNNs）产生多尺度的定向轮廓和区域层次结构，其具有高效的计算性能和显著的识别性能，并且泛化性能也很好。我们在多个数据集上验证了 COB 的性能，并通过与不同任务的结合，如目标提议，语义轮廓，语义分割和目标检测等，证明 COB 在提高多种任务的性能方面也具有良好的效果。
convolutional oriented boundariesmultiscale contour detectionhierarchical segmentationimage classificationconvolutional neural networks
发现论文，激发创造
  • 卷积定向边界

    本研究提出了基于 CNN 的 Convolutional Oriented Boundaries (COB) 算法，实现图像多尺度的边缘检测和分层分割。该算法具有较高的计算效率和泛化能力，并在多个数据集上取得了最优表现。

    Aug, 2016

  • DOOBNet：图像深度目标遮挡边界检测

    本文提出了一种 Attention Loss 函数结合多任务深度对象遮挡边界检测网络，并采用编码器 - 解码器结构，通过共享卷积特征来同时预测对象边界和遮挡方向，大幅度提高了 PIOD 数据集和 BSDS 拥有数据集上的检测速度（每图像 0.037s）并显著超过了之前的最优结果（ODS F 分数分别为 0.702 和 0.555）。

    Jun, 2018

  • 目标边界引导的语义分割

    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

  • 深度学习模型中医学图像分割的边界检测反思

    本文提出了一种新的网络结构 CTO，该结构组合了卷积神经网络、Vision Transformer 和显式边界检测操作符，以实现高精度和效率的平衡。实验结果证明，该方法在六个医学图像分割数据集上均取得了最先进的准确性和竞争性的模型复杂度。

    May, 2023

  • 学习预测清晰的边界

    本文介绍了一种新的边缘检测损失函数和一种采用自底向上 / 自顶向下分层结构的端到端边界检测网络，该网络有效地利用层次特征并生成像素精确的边界掩模，从而不需要后处理即可生成准确、锐利的边缘。实验结果表明，这种方法不仅可以促进 CNN 的视觉结果，而且在 BSDS500 数据集（ODS F - 得分为 0.815）和 NYU Depth 数据集（ODS F - 得分为 0.762）上可以实现超越最新技术水平的结果。

    Jul, 2018

  • 边缘分类：边界检测改善语义图像分割

    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

  • 从一张图像中深度估计遮挡

    本文提出了一种名为 DOC 的深度网络架构，它能在单个图像上检测物体边界并估计边界所有权，可用于恢复遮挡关系，并通过大规模实例遮挡边界数据集 PIOD 进行了验证。

    Nov, 2015

  • 利用梯度信息学习实现清晰边缘检测

    本文介绍了一种有效解决边缘检测中生成粗糙模糊边缘线的方法，该方法利用轻量级预训练主干网络、多尺度上下文信息聚合模块 (MCGI)、边界校正模块 (BCM) 和边界优化模块 (BRM) 来改善边缘图像的视觉效果，并通过基于 Tversky 指数的混合损失函数解决像素分布不平衡的问题。在三个标准基准数据集上进行实验，结果表明该方法在 BSDS500、NYUD-V2 和 BIPED 数据集上均取得了最佳性能。

    Jun, 2024

  • 边界感知实例分割

    该论文介绍了一种基于距离变换的对象段表示方法和基于残差解卷积结构的对象掩码网络，实现了跨越边界框的对象分割；并将其整合到一个多任务网络级联框架中，学习了最终二进制对象掩码。实验表明，这种方法在目标生成和实例分割方面优于现有的技术。

    Dec, 2016

  • 语义边界辅助的语义分割

    本文提出了 Semantic Boundary Conditioned Backbone (SBCB) 框架，该框架是一种简单而有效的训练框架，旨在提高分割性能，尤其是在边界周围，可用于改善各种流行分割头和骨干网络。

    Apr, 2023