Jul, 2017

深度 GrabCut 目标选择

PDF
TL;DR提出了一种使用欧氏距离图将矩形作为软约束的新型分割方法，通过将图像与这些距离图拼接并将对象掩模预测为输出，我们的方法在给定不精确的矩形的情况下获得准确的分割结果，且适用于交互式分割和实例分割，同时在不重新训练的情况下扩展到基于曲线的输入，并通过条件随机场解决重叠问题，实验结果表明了该方法的有效性。
bounding-box-based segmentationrectangle inputeuclidean distance mapconvolutional encoder-decoder networkinstance-level semantic segmentation
发现论文，激发创造
  • DeepCut: 使用卷积神经网络从边界框标注进行对象分割

    本文提出了 DeepCut 算法，使用神经网络分类器和 CRF 条件随机场以及弱监督技术，从带有边界框标注的图像数据集中训练对象分割模型，取得了在胎儿磁共振图像数据集的脑和肺分割问题上具有良好精度的结果。

    May, 2016

  • BoxSup: 利用边界框监督卷积神经网络进行语义分割

    本文提出了一种名为 BoxSup 的方法，通过利用 bounding box annotations 代替 human-annotated, pixel-level segmentation masks 来训练卷积网络，循环生成 region proposals 和训练卷积网络来恢复分割掩模和提高网络的准确性。这个方法在 PASCAL VOC 2012 和 PASCAL-CONTEXT 上取得了 state-of-the-art 的结果。

    Mar, 2015

  • 直接转向形状：编码形状的实时检测

    本研究提出了一种实时形状预测的网络，通过使用去噪卷积自编码器来建立一个嵌入空间，并将解码器置于快速端到端网络之后，直接回归到编码后的形状向量。该网络在实现更高阶形状推理的同时，能够对类别的泛化性进行处理。

    Nov, 2016

  • 利用三元卷积神经网络进行前景分割与多尺度特征编码

    提出一种基于编码器 - 解码器神经网络的动态目标分割方法，通过使用预训练的卷积网络对图像进行特征嵌入，利用反卷积网络进行特征与图像的转换，该方法在 Change Detection 2014 挑战赛中表现优于现有所有最先进的方法，达到了 0.9770 的平均 F-measure。

    Jan, 2018

  • LooseCut: 带松散边界框的交互式图像分割

    本文提出了一种名为 LooseCut 的新算法，采用 Markov Random Fields 模型，可以处理输入包含前景目标的边界框不太紧的情况，并通过迭代最大流算法解决该模型。LooseCut 可用于增强无监督视频分割和图像显着性检测性能，并在三个公开的图像数据集中表现良好。

    Jul, 2015

  • 弱监督分割的边界框：全局约束逐渐接近完全监督

    本文提出了一种基于全局约束的弱监督学习分割方法，通过引入严格的拘束和强大的拓扑先验，使得网络输出被限制在一个更准确的区域内，实验结果表明该方法在前列腺和脑病变等应用场景下具有很高的准确性。

    Apr, 2020

  • 基于距离变换回归的空间感知深层语义分割

    通过在标签掩码上计算距离变换，训练一个全卷积神经网络来同时学习分类和距离回归，可以有效地应用于视觉场景中的语义分割并有效解决边界模糊和分割失真的问题。

    Sep, 2019

  • 基于完全卷积编码 - 解码网络的物体轮廓检测

    该论文基于深度学习的算法，使用全卷积编码器 - 解码器网络来检测对象轮廓并生成高质量分割对象建议，通过在 PASCAL VOC 和 MS COCO 上进行训练和测试，该算法在较少的候选数情况下相对于基准方法有更高的准确度。

    Mar, 2016

  • 通过中间距离回归监督改进像素嵌入学习，用于实例分割

    本文主要研究一种无需提议的实例分割方法，通过像素嵌入学习和聚类来识别图像中的物体，并提出一种包含距离回归模块的简单有效的体系结构，用于生成快速聚类的种子，并且通过将距离回归模块的特征与图像进行拼接，可以显著提高学习到的嵌入特征的准确性。该方法在 CVPPP Leaf Segmentation Challenge 上的结果是排行榜中最好的。

    Jul, 2020

  • 选择性视频对象抠图

    本文提出了一种基于金字塔直方图的置信度图和基于测地距离的动态模型的视频分割方法，使用本地分类器进行不确定性传递来确定图像区域，并通过对不确定区域的精细化加工得到前景分割结果。此方法能极大地减少手动标注，提高分割性能。在两个标准测试集上进行的实验表明，该方法具有卓越的性能，并且相对于现有技术具有较好的计算效率和减少手动标注的性质。

    Feb, 2017