该研究证明,卷积网络可以通过端到端的训练,从像素到像素地训练,超越先前的语义分割最先进方法,通过自适应大小输入和高效学习来生成相应大小的输出。该研究还详细介绍了全卷积网络的应用于空间密集预测任务,并将 AlexNet、VGG 网和 GoogLeNet 等现代分类网络改进成全卷积网络,并将它们学习到的表示通过微调应用于语义分割任务。最后,该研究提出了一种新的网络架构,将深层次粗糙层和浅层外观信息相结合以生成准确和详细的分割结果,在 PASCAL VOC、NYUDv2 和 SIFT Flow 数据集上实现了最先进的语义分割(2012 年的 mean IU 相较前一方法提高 20%),对典型图像的推理时间仅需三分之一秒。
Nov, 2014
本文提出了一种用于全景分割的深度神经网络,将语义分割与实例分割任务联合起来,从而在单次计算中为输入图像的每个像素提供类标签和唯一对象标识符,并且通过增强信息共享和合并启发式方法,单个网络的性能提高,如在 Cityscapes 上可获得 45.9 的 PQ 分数。
Feb, 2019
本文提出了一种基于卷积神经网络的 Fully Convolutional Networks(FCN)方法,可以用于图像的深度语义分割。通过该方法,我们成功地提高了 PASCAL VOC、NYUDv2、SIFT Flow 和 PASCAL-Context 等公开数据集上的 segmentation 模型的性能,并且推断速度远快于之前的相关工作。
May, 2016
本文提出了一种基于残差网络的高性能语义图像分割方法,并对不同变体的完全卷积残差网络进行了评估,进一步提出了用低分辨率网络模拟高分辨率网络的方法,引入了在线启动方法以及在一些残差块上应用的传统退化法,取得了在 PASCAL VOC 2012 数据集和 Cityscapes 上最好的平均重叠联合 75 的性能表现。
Apr, 2016
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
该论文提出了一种改进像素级语义分割的深度学习方法,其中涵盖了密集上采样卷积和混合空洞卷积框架,达到了在 Cityscapes 等数据集上的最先进结果。
Feb, 2017
本研究提出了一种基于 CNN 的新型架构,可以进行端到端的训练,以提供无缝的场景分割结果。该网络结构采用了一种新颖的分割头,将由特征金字塔网络生成的多尺度特征与由轻量级 DeepLab 模块传递的上下文信息进行了无缝整合,从而预测一致的语义分割和检测结果。此外,研究人员还提出了一种替代 panoptic 度量的方法,克服了评估非实例类别时的局限性。通过在三个具有挑战性的街景数据集上测试,即 Cityscapes、Indian Driving Dataset 和 Mapillary Vistas,我们的网络架构取得了最先进的结果。
May, 2019
本论文介绍一种基于课程式学习(curriculum-style learning)的方法,通过学习全局标签分布和局部分布来缓解城市风景语义分割中真实图像和合成数据之间的领域差异,并在两个数据集和两个骨干网络上的实验中表现优异。
Jul, 2017
本文旨在解决在大型稀疏数据集上进行语义分割任务的挑战,提出了一种自适应采样方法和基于深度双通道卷积神经网络的算法,取得了 VISCERAL 解剖学基准测试的最新的最好结果。
Sep, 2017
本论文介绍了视觉场景理解的各方面研究,特别是通过使用语义分割网络在不同数据集上进行训练来提高分割性能和泛化性以及训练效率,以及通过多种方法来实现弱监督学习和部分感知全景分割等新任务,为实现全面、丰富、可持续的视觉场景理解铺平了道路。
Jan, 2022