用于语义分割的分层反卷积网络
本文提出一种基于学习反卷积网络的新颖语义分割算法,其中反卷积网络由反卷积层和上采样层组成,能够在像素级别上识别图像中的类别标签和预测分割掩模,通过将结果合并得到最终的分割图像,并且可以自然地处理多尺度下的物体和识别细节结构,在 PASCAL VOC 2012 数据集上进行实验,通过与完全卷积网络的集合学习,取得了最好的 72.5% 精度。
May, 2015
本文提出了一种新型架构,用于全局地等效进行反卷积操作并获取密集预测进而解决卷积神经网络在语义图像分割任务中的两个独特挑战,即低分辨率输出与局部特征提取中的全局信息不足。实验结果表明,在 PASCAL VOC 2012 基准测试中,本文方法取得了 74.0% 的平均 IU 准确率,优于当前最先进的语义分割模型。
Feb, 2016
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
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
探讨了如何在图像识别的语义分割领域中,采用 ReNet 层代替全卷积神经网络中的级联卷积和池化层来使局部感受野具有全局信息,并开发了一种新的混合深层 ReNet(H-ReNet)模型,经实验证明其在 PASCAL VOC 2012 基准测试中的识别准确度比 Piecewise、CRFasRNN 和 DeepParsing 高 3.6%、2.3% 和 0.2%。
Mar, 2016
本研究采用多尺度卷积神经网络,提出一种单一 RGB 图像用于深度估计和语义分割的深度学习模型,该模型采用单一损失函数进行训练,同时使用完全连接的 CRF 捕捉语义和深度线索之间的上下文关系和交互作用,实现更精确的结果。在 NYUDepth V2 数据集上进行实验,该模型在语义分割方面表现优于最先进方法,在深度估计任务上实现可比较的结果。
Apr, 2016
本文提出了一种新的语义分割方法: EfficientFCN, 相较于基于 dilatedFCN 的方法,该方法既可以取得相似的高精度分割效果,又能够在计算成本上做到只有原来的 1/3,这一成果达到了一种性能和效率的平衡。
Aug, 2020
该研究论文结合深度卷积神经网络和概率图模型的方法来解决像素级分类(语义图像分割)任务中深层网络往往无法精确定位目标分割的问题,并通过将深层网络的响应与全连接条件随机场相结合,提出了一种 DeepLab 系统。定量实验表明,该方法在 PASCAL VOC-2012 语义图像分割任务中,IOU 精度可达 71.6%。
Dec, 2014
本文提出了一种使用反卷积神经网络实现的弱监督语义分割框架,该框架中的每个反卷积层都包含反池化和反卷积操作,通过对提取特征阶段中的非判别性特征进行淘汰,精简最终语义分割结果中的误报。在弱监督条件下(图像级别标注),该框架在医学图像分割(胸部 X 光)和 PASCAL VOC 分割数据集上实现了最先进的性能。
Feb, 2016