Sep, 2017

DeepUNet: 一个用于像素级海陆分割的深度全卷积神经网络

PDF
TL;DR本文提出了一种名为 DeepUNet 的新型卷积神经网络，通过使用 DownBlock 和 UpBlock，引入了新的 U-Connection 和 Plus Connection，以实现对复杂海 - 陆环境下高分辨率遥感图像的精确语义分割。实验结果表明，DeepUNet 在性能上表现良好，并在高分辨率遥感图像方面优于 SegNet 和 U-Net。
发现论文，激发创造
  • DoubleU-Net: 医学图像分割的深度卷积神经网络

    提出了基于编码器解码器的方法 DoubleU-Net，该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。

    Jun, 2020

  • 利用 U-Net 模型进行卫星图像分割以进行土地覆盖分类

    本研究旨在使用改进的 U-Net 结构的卷积机器学习模型，基于卫星图像创建土地覆盖分类映射，使用 BigEarthNet 卫星图像归档和原始数据集对模型进行训练和测试，结果显示可以提高现有土地分类图的精度和土地覆盖变化检测。

    Mar, 2020

  • SegNet：一种用于图像分割的深度卷积编码器 - 解码器架构

    本文介绍了一种用于语义像素分割的深度全卷积神经网络，称为 SegNet。该网络架构由编码器网络、相应的解码器网络和像素分类层组成，编码器网络的拓扑结构与 VGG16 网络的 13 个卷积层完全相同，解码器使用池化索引计算非线性上采样，使得解码器可以将低分辨率的特征映射映射到全分辨率的特征映射，从而在像素级别进行分类。评估结果表明，SegNet 相对于其他现有的架构具有更好的推理性能和更高的效率。

    Nov, 2015

  • ResUNet-a：用于遥感数据语义分割的深度学习框架

    本文提出了一种基于 ResUNet-a 深度学习架构和 Dice 损失函数的可靠框架，用于进行单时相高分辨率航空图像的语义分割，并对多种广义 Dice 损失函数进行了性能分析和介绍了一种新的变异损失函数，该模型在 ISPRS 2D Potsdam 数据集上的平均 F1 分数为 92.9％，在所有类别方面均达到了最新性能。

    Apr, 2019

  • SegNet：一种用于强健语义像素级标注的深度卷积编码器 - 解码器架构

    提出 SegNet，一种用于语义像素级图像标注的深度编码器 - 解码器结构。该网络通过编码器捕捉图像特征，并使用解码器映射到原始图像尺寸，实现了准确的像素级预测。在无需额外辅助信息的情况下，在几个公共基准数据集上的表现均优于最先进的方法。

    May, 2015

  • 多类地面分割的特征金字塔网络

    提出了一种基于完全卷积神经网络的自动多类土地分割方法，该网络具有良好的准确性和中等的内存使用率，可用于解决城市规划、环境工程或自然景观监测等问题。

    Jun, 2018

  • 深度关注 Unet：具有全局特征感知能力的网络模型

    本文提出了一种基于通道自注意机制和残差连接的新型 UNet 图像分割算法，通过改进图像中不同项目之间的内部连接，显著提高了遮挡遥感图像分割的结果。在 FoodNet 数据集上，与传统 UNet 相比，新的网络模型将平均交并比提高了 2.48%。

    Apr, 2023

  • 全连接深层结构网络

    该研究提出了一种单一联合训练算法，能够有效地应用于语义图像分割任务，并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。

    Mar, 2015

  • 使用卷积神经网络实现亚分米分辨率图像的密集语义标注

    本文基于卷积神经网络提出了一种深度学习系统，能够在高分辨率的航拍图像上检测地物信息并达到了良好的识别精度。

    Aug, 2016

  • 使用深度卷积网络进行联合语义分割和深度估计

    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