NIPSOct, 2017

通过空间传播网络学习相似性

PDF
TL;DR本研究提出了一种空间传播网络，用于学习视觉任务的亲和矩阵。通过构建行 / 列线性传播模型，可以精确构建空间变化的转换矩阵，作为精确构建全局对偶关系的亲和矩阵，从而建模图像的密集、全局对偶关系。此网络是一个通用框架，可以应用于包括图像抠图、分割和上色等多个领域。实验证明空间传播网络提供了一种生成高质量分割结果的通用、有效和高效的解决方案。
spatial propagation networksaffinity matriximage segmentationdeep neural networklearning
发现论文，激发创造
  • 任意结构数据的学习传播

    本研究提出了一种利用全局方式学习数据点之间的配对关系，通过空间广义传播网络（SGPN）实现对任意结构数据的语义分割的模型，该模块可以灵活地嵌入和联合训练许多类型的网络，如 CNN，并且实验证明，相较于不包含此模块的网络，SGPN 始终提高了像素和点云分割的性能，这表明我们的方法是模拟任意构造数据的全局配对关系的有效方法。

    Sep, 2019

  • 使用卷积空间传播网络学习深度

    这篇研究提出了使用卷积空间传播网络 (CSPN) 进行深度预测的方法，并通过实验展示了其在深度补全和立体匹配任务中的有效性。

    Oct, 2018

  • 卷积空间传播网络学习亲和力进行深度估计

    提出了一种简单而有效的卷积空间传播网络（CSPN），通过递归卷积操作和深度卷积神经网络学习邻域像素之间的相似性，从单张图像中进行深度估计，可以在深度输出的精度和速度方面改进现有的先进技术方法。

    Aug, 2018

  • 基于动态空间传播网络的深度填充

    本文提出了一种名为 DySPN 的动态空间传播网络，通过注意力机制学习像素之间的关联性，以生成 RGB 图像的密集深度图，并采用扩散抑制技术防止过度平滑。实验结果表明，在 KITTI Depth Completion 和 NYU Depth v2 数据集上 DySPN 表现优于其他 SoTA 方法。

    Feb, 2022

  • 基于亲和传播的标签高效分割

    利用标签效率的稀疏注释进行弱监督分割的研究越来越受到关注，以降低费力的像素级标注过程成本，而成对亲和建模技术在此任务中发挥了重要作用。本文将亲和建模作为亲和传播过程，提出了局部和全局成对亲和项，以生成准确的软伪标签，并开发了一种高效算法来显著降低计算成本。该方法可以方便地插入现有的分割网络。在三个典型的标签有效分割任务中进行的实验证明了所提方法的卓越性能。

    Oct, 2023

  • 视频传播网络

    该研究提出了使用视频传播网络进行语义分割的方法，该方法使用时不需要访问未来帧，并且与基于任务的最佳方法相比具有更高的性能。

    Dec, 2016

  • 非局部空间传播网络深度补全

    该研究提出了一种鲁棒和高效的端到端非局部空间传播网络，用于深度完成，该算法通过迭代细化初始深度预测并利用非局部邻居和对应的亲和力进行空间传播，提高了深度完成的准确性和鲁棒性，并在混合深度问题上具有较强的适应性。

    Jul, 2020

  • 可变形空间传播网络用于深度完成

    本文提出了一种可变形空间传播网络，用于适应性地为每个像素生成不同的感受野和密合矩阵，从而更准确地从稀疏深度测量中恢复密集的深度地图，KITTI 深度完成基准实验结果表明我们提出的方法达到了最先进的性能。

    Jul, 2020

  • 学习在噪声亲和力图上可靠地传播

    该论文提出了一种新的框架，利用局部图神经网络和基于置信度的路径调度器，可以在大规模真实数据上可靠地传播标签，同时有效地处理异常值和复杂的图结构。在 ImageNet 和 Ms-Celeb-1M 数据集上的实验证明了该方法的有效性。

    Jul, 2020

  • 使用空间传播网络在视频中学习实例分割

    本文提出了一种基于深度学习的实例级对象分割框架，其中包括使用 ResNet-101 进行前景 / 背景分割的通用模型训练，基于该通用模型接受带标注对象的训练数据，通过迭代学习实例级模型的方法以及使用空间传播网络和滤波器对分割结果进行进一步优化，以实现不同视频中的实例级对象分割。

    Sep, 2017