具有判别性损失函数的语义实例分割
我们提出了一种新的语义实例分割方法,该方法首先计算两个像素可能属于同一个对象的概率,然后将相似的像素分组。我们的相似度度量基于一种深度的,完全卷积的嵌入模型。我们的分组方法基于选择所有与从深度完全卷积计分模型中选择的一组 “种子点” 足够相似的点。我们在 Pascal VOC 实例分割基准测试中展示了竞争性的结果。
Mar, 2017
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
提出一种新型半监督语义分割方法,结合像素级 L2 损失和像素对比损失以实现两个分割模型规则:图像增强之间的标签空间一致性性质和不同像素之间的特征空间对比性质,采用 DeepLab-v3+ 结构和多个数据集进行了广泛的实验,表现出最先进的性能。
Aug, 2021
该论文提出了一种基于语义分割的实例分割系统,利用 CRF 预测具有对象类和实例标签的分割地图,从而提高难度较大的像素级别分割精度,使像素不能属于多个实例,并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。
Apr, 2017
本综述系统地评估了用于图像分割的 25 种损失函数,并提出了分类法和评估方法,以帮助研究人员找到适用于其应用的最佳损失函数。对医疗和自然图像数据集进行了中立评估,并指出了当前挑战和未来研究机会。
Dec, 2023
本文研究了卷积神经网络在无监督图像分割中的应用。我们提出了一种新的端到端网络方法,包括归一化和可微聚类函数,解决了前人固定分割边界的局限性。我们还针对用户输入扩展了该方法,同时保持高效性和准确性。经过在多个数据集上的测试,得出了该方法的有效性。
Jul, 2020
本研究提出了一种采用对抗网络的半监督语义分割方法,通过设计全卷积判别器,辅以标准交叉熵损失,实现对未标记图像的信任区域的发现,提高了分割准确性。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验证明了该算法的有效性。
Feb, 2018
通过使用一种新的可微分度量替代传统分割损失函数,我们提出了一种新的分割边界检测方法,该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界,并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证,最终的结果表明,该方法提高了 IoU 分数,优于基线方法。
May, 2019
本文提出了一种基于对比度学习的语义分割训练策略,使用像素级和标签基础对比损失的方法,能够在减少标记数据的情况下提高性能,并通过 Cityscapes 和 PASCAL VOC 2012 数据集的实验证明了该方法的有效性。
Dec, 2020