MMMar, 2018

利用卷积神经网络结合超像素的多层语境执行自然场景标注

PDF
TL;DR本研究采用基于超像素的语义分割，考虑三种不同级别的邻域上下文，采用最大投票和加权平均等集成方法，利用 Dempster-Shafer 理论分析各类别之间的混淆，并在相同数据集上证明我们的方法优于其他现代方法。
发现论文，激发创造
  • 高效语义分割的超像素变换器

    通过使用超像素与现代 Transformer 框架相结合，本研究提出一种能在语义分割领域获得最先进性能的方法，通过学习将像素空间分解为低维超像素空间，并运用多头自注意力机制来丰富超像素特征以获得全局上下文信息，最终实现了更高的计算效率和模型性能。

    Sep, 2023

  • 基于超像素的统计过程控制训练的语义分割

    通过基于超像素采样的方法和使用统计过程控制的梯度来训练和测试，该论文提出了一种在 Pascal Context，SUN-RGBD 数据集上性能优于或等于传统方法的语义分割网络，减少了上采样运算的复杂度。

    Jun, 2017

  • 基于完全卷积网络的超像素分割

    本文提出了一种使用简单的全卷积网络预测超像素的新方法，以及在此基础上进行稠密预测任务下采样 / 上采样方案的改进，实验结果表明该方法能够在 50fps 的速度下取得最先进的超像素分割性能，并且在公共数据集上能够获得更好的视差估计精度。

    Mar, 2020

  • ISNet: 集成图像级和语义级上下文进行语义分割

    本文提出将图像语义分割中的语境信息分为图片级别和语义级别，分别增强像素表示，在 ADE20K，LIP，COCOStuff 和 Cityscapes 等四个基准测试中实现了最先进的准确性。

    Aug, 2021

  • 基于卷积神经网络和正则化信息最大化的超像素分割

    通过在推理时间内优化随机初始化卷积神经网络（CNN），我们提出了一种无监督的超像素分割方法，通过 CNN 从单个图像生成超像素，无需任何标签，通过最小化提出的超像素分割目标函数来实现。我们的方法与许多现有方法相比有三个优点：（i）利用 CNN 的图像预先知识用于超像素分割，（ii）根据给定的图像自适应地改变超像素数量，（iii）通过将一个辅助成本增加到目标函数中来控制超像素的属性。我们在 BSDS500 和 SBD 数据集上定量和定性验证了我们方法的优势。

    Feb, 2020

  • 像素级聚类网络用于无监督图像分割

    本文提出了一个像素级聚类框架，用于将图像分割成区域，而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割，以实现准确的无监督分割。此外，我们提出了一种训练策略，利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法，以避免由基于超像素的损失引起的过分分割。最后，我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验，我们证明了所提框架的有效性。实验结果表明，所提框架优于先前的最先进方法。

    Oct, 2023

  • 高低层次一致性半监督语义分割

    文章提出了一种利用一些有限的像素注释数据和一些无标签数据进行半监督语义分割的方法，并在 PASCAL VOC 2012，PASCAL-Context，和 Cityscapes 数据集上实现了最新的半监督学习的最佳性能。

    Aug, 2019

  • 全局反卷积网络用于语义分割

    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

  • 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

  • 利用图像以外的语境信息进行语义分割

    本文研究语义图像分割中的上下文聚合问题，提出了一种基于特征存储模块和类概率分布学习的像素表示增强方法，利用跨图像的上下文信息进一步提高了性能。

    Aug, 2021