语义实例分割的递归神经网络
该研究提出了一种基于循环神经网络的端到端方法,通过顺序地查找每个不同的目标对象及其分割来解决实例分割的问题,并通过空间记忆来跟踪已解释的像素,以处理遮挡,这种方法优于当前所有最先进的方法。
Nov, 2015
本文提出了一种名为 MaskRNN 的递归神经网络方法,它在每帧中利用两个深度成像网络输出(二元分割网络和定位网络)进行目标实例的视频对象分割以获取长时序结构和剔除异常值,结果在 DAVIS-2016、DAVIS-2017 和 Segtrack v2 数据集中均达到了最优表现。
Mar, 2018
该研究提出了一种基于卷积神经网络 (CNN) 本地通用特征和循环神经网络 (RNN) 为距离依存性检索提供了能力的结构预测框架,称为 ReSeg,旨在解决更具挑战性的语义分割任务并兼顾效率、灵活性和适用性,通过在多个数据集上的评估显示出了最先进的性能优势。
Nov, 2015
本研究提出了一种基于循环神经网络加注意机制的端到端模型,可以进行场景中物品实例的细节分割,并在 CVPPP、KITTI 和 Cityscapes 数据集上获得了竞争性的结果。
May, 2016
本研究提出了一种端到端的深度神经网络,结合了 Mask-RCNN 实例分割网络和 Conv-GRU 视觉记忆模块,用于解决半监督视频对象分割任务,实验结果表明该方法在 DAVIS 数据集上取得了令人满意的结果。
Sep, 2019
本文提出了一种递归神经网络用于语义图像分割,该网络可在各种计算预算的范围内部署,并可用于有效地分割静态图像和视频。该方法通过利用先前帧的分割来进行视频分割,在降低计算成本的同时保持了分割质量。
Nov, 2017
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
本文提出了一种基于全卷积神经网络和门控循环体系结构的循环全卷积网络,利用视频中的时间信息进行在线语义分割, 大幅提高了分割的准确性,可以在二进制和语义视频分割任务中应用。
Nov, 2016
本文提出了一种使用图像级别标签进行实例分割的新框架,其中分为两个阶段,分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验,相对于现有方法说明主要性能提高。
Jul, 2019
该论文介绍了一个基于循环神经网络的新型端到端框架,用于在复杂、动态且仅部分可观测的现实环境中跟踪和分类机器人的周围环境,并通过少量标记的数据使网络精通语义分类任务。
Apr, 2016