Feb, 2017

基于形状全卷积网络的 3D 形状分割

PDF
TL;DR本文提出一种新的形状全卷积网络 (Shape Fully Convolutional Networks，SFCN) 架构，用于三维形状的分割，该架构基于图形卷积和池化操作。同时，基于 SFCN 架构，还提出了一种新的形状分割方法，并采用基于特征投票的多标签图割算法来优化 SFCN 预测得到的分割结果。实验结果表明，我们的方法在学习和预测相似或不同特征的混合形状数据集方面表现出很好的效果。
shape fully convolutional networks3d shapesgraph convolutionshape segmentationmulti-label graph cuts
发现论文，激发创造
  • 基于投影卷积神经网络的 3D 形状分割

    该论文提出了一种用于将 3D 物体分割成标记语义部件的深度架构。该架构结合了基于图像的完全卷积网络和基于表面的条件随机场，以产生 3D 形状的连贯分割。通过特殊的投影层，图像 FCN 输出 被有效聚合在多个视图和比例上，然后投影到 3D 物体表面上。最后，基于表面的 CRF 将投影输出与几何一致性线索结合起来，以产生连贯的分割。整个架构（多视图 FCN 和 CRF）可以端对端地训练。该方法在当前最大的分割基准（ShapeNet）中明显优于现有的最先进方法。最后，我们展示了从消费级深度相机获取的嘈杂 3D 形状有着可喜的分割结果。

    Dec, 2016

  • FeaStNet: 基于特征导向的图卷积用于三维形状分析

    该研究提出了一种新颖的图卷积算子，通过动态地计算网络所学习到的特征与图上邻域之间的对应关系来实现任意连接的图邻域与滤波器权重之间的对应关系，并通过实验结果验证该方法可以从原始输入坐标学习有效的形状表示，而不依赖于形状描述符。

    Jun, 2017

  • 全卷积神经网络用于人群分割

    本研究提出了一种快速卷积神经网络 (FCNN)，并使用多阶段的深度学习来整合外观和动态线索进行人群分割，成功使用我们自己创建的具有 235 和 11 个场景的人群分割数据集对我们的方法进行了评估。

    Nov, 2014

  • 图像语义分割的图卷积神经网络

    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

  • 用于腹部多器官分割的多尺度金字塔 3D 全卷积网络

    本文提出一种新的方法通过采用自动上下文来利用多尺度堆叠 3D FCN 金字塔，从而提高分辨率执行语义分割。 我们在手动注释的 377 个胃手术的 CT 影像数据集上训练和验证模型，并获得近 90％的 Dice 分数。

    Jun, 2018

  • 基于级联的三维全卷积网络在医学图像分割中的应用

    通过在多个解剖结构 (从大器官到细小血管) 的计算机断层扫描手动标记的数据上训练多分类的三维卷积神经网络，该研究展示了基于三维全卷积神经网络的医学图像语义分割的实现和鲁棒性的突破，所提出的粗略到精细的两阶段方法达到了最先进水平。

    Mar, 2018

  • 全卷积神经网络用于语义分割

    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

  • 全卷积网络用于语义分割

    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

  • 基于可变形部件的全卷积网络用于目标检测

    本文提出了 DP-FCN，一种深度学习模型，可专门适应具有可变形部件的对象形状，从而实现目标检测，其主要模块包括：完全卷积网络、基于可变形部件的 RoI 池化层和变形感知定位模块，实验证明 DP-FCN 在 PASCAL VOC 2007 和 2012 数据集上均取得了 83.1% 和 80.9% 的最新性能表现。

    Jul, 2017

  • 基于稀疏三维卷积神经网络的大规模形状检索

    该论文评估了 S3DCNN 在大规模 3D 形状基准 ModelNet40 上的性能，并衡量其受输入形状体素分辨率的影响，证明其在训练和推理阶段的计算成本要低得多，并提出了高分辨率输入的好处可能会受到神经网络推广高级特征能力的限制。

    Nov, 2016