本篇论文介绍了如何通过使用深度卷积神经网络,建立图像中的显著性实例分割方法,通过一个多尺度显著实例分割网络生成高质量的显著性分割结果,并在公共基准测试中取得了最优的结果。
Apr, 2017
本研究提出了一种新的神经网络,用于保护边缘和多尺度语境下的显著对象检测。该框架旨在解决现有的基于 CNN 的方法存在的两个限制:区域 CNN 方法缺乏足够的上下文来准确定位显著对象,而基于像素的 CNN 方法由于卷积和池化层的存在而具有模糊的边界。该方法可广泛应用于 RGB-D 显著性检测,并具有清晰的检测边界和多尺度语境下的鲁棒性。实验结果显示,该方法在六个 RGB 和两个 RGB-D 基准数据集上均取得了最优性能。
Aug, 2016
提出了一种锐眼网络(SENet)用于在多维度特征和边缘 / 骨架引导下获取完整的明显对象的聚合。 全面实验结果表明,该方法在定量和定性上均优于现有方法。
Jan, 2023
本文提出了一种基于循环显著性转换网络的方法对腹部 CT 扫描中的小器官进行分割,该方法利用循环的显著性转换模块进行多阶段视觉信息的传播,不仅在 NIH 胰腺分割数据集上获得了最新的测试结果,在一个更大的数据集上也表现出更好的收敛和高准确率。
Sep, 2017
该论文提出了一种简单而有效的实例级特征表示法,解决了类非特定实例定位和独特特征表示的问题,并通过平均池化检测到的实例区域上的特征图来产生独特特征表示,进而提高了实例搜索和基于内容的图像搜索的性能。
Feb, 2020
本文提出了一种名为 K-Net 的统一、简单、有效的框架,通过一组可学习的内核一致地分割实例和语义类别
Jun, 2021
本文介绍了一种快速的显著性检测方法,可以应用于任何可微分的图像分类器,其通过训练掩膜模型来操纵分类器的分数,从而检测图像的显著部分,并在 CIFAR-10 和 ImageNet 数据集上进行了测试,表明其结果优于其他弱监督方法。
May, 2017
文章提出通过统一的多任务学习框架,使用单个网络解决 WSSS 和 SD 任务,该框架由一个分割网络和一个显著性聚合模块组成,在图像级别和类别无关像素级显著性标签下,端到端训练并在 PASCAL VOC 2012 数据集和四个显著性基准数据集上得到了较好的性能表现。
Sep, 2019
我们提出了一种名为自平衡 R-CNN (SBR-CNN) 的模型,通过解决实例分割任务中的不均衡问题,改进了目标检测和实例分割的性能,在 COCO minival 2017 数据集上达到了 45.3% 和 41.5% 的 AP。
Apr, 2024
提出了一种基于 Semantic Superpoint Tree Network (SSTNet) 的端到端解决方案,其通过学习场景点的语义特征构建中间的语义超级点树(SST), 在中间树节点处进行实例对象的建议,以及通过一个模块对错误的超级点进行修剪, 针对数据不规则性提出了一种改进的方法。在 ScanNet 和 S3DIS 的基准测试中表现出强大的实用性。
Aug, 2021