CVPRApr, 2018

学习具有判别性特征网络的语义分割模型

PDF
TL;DR本文提出了一种新的语义分割方法，通过内部类别的一致性和类别之间的区分度两个方面的挑战，设计了一个包含两个子网络的鉴别特征网络 (DFN)，由平滑网络和边界网络组成。实验结果表明，该方法在 PASCAL VOC 2012 和 Cityscapes 数据集上取得了 86.2% 和 80.3% 的平均 IOU，达到了最先进的性能水平。
semantic segmentationintra-class inconsistencyinter-class indistinctiondiscriminative feature networkstate-of-the-art performance
发现论文，激发创造
  • 基于 CRF 的学习鉴别性特征方法用于非监督视频对象分割

    本文提出了一种名为 DFNet 的新型网络，用于解决无监督视频物体分割任务，通过提取刻画全局特征分布的判别性特征，使用条件随机场 (CRF) 建立与测试图像的特征对应关系，并在像素级别上进行一致性约束。实验结果表明，该方法在使用更少的参数和更高效的推断性能的情况下，获得了优于当前最先进方法的 83.4% 的平均 IoU 分数，并在 DAVIS-2016 排行榜上排名第一。DFNet 进一步应用于图像对象协同分割任务，并在具有挑战性的数据集 PASCAL-VOC 上展示出其广泛适用性。

    Aug, 2020

  • 语义扩散网络用于语义分割

    本文提出了一种运用语义扩散网络（SDN）进行边界特征增强来提高深层语义分割模型预测性能的方法，包括运用各向异性扩散过程进行边界特征增强和引入可学习的 SDN，通过提出的 SDN，可以构建从原始特征到跨类边界增强特征的可微映射。实验证明，我们的方法在几个典型和最先进的分割基线模型上均能实现一致的改进。

    Feb, 2023

  • DFANet: 深度特征聚合实时语义分割

    本文提出了一种名为 DFANet 的极其高效的卷积神经网络架构，用于在资源有限的情况下进行语义分割。通过子网络和子阶段级联聚合区分特征，通过多尺度特征传播，DFANet 大大减少了参数数量，并提高了模型学习能力，在速度和分割性能之间取得平衡。在 Cityscapes 和 CamVid 数据集上的实验证明了 DFANet 具有比现有最先进的实时语义分割方法快 2 倍，FLOPs 少 8 倍的卓越性能，同时提供可比较的准确性。具体而言，它在 Cityscapes 测试数据集上实现了 70.3％的 IOU 平均值，仅使用 1.7 GFLOPs，并在一张 NVIDIA Titan X 卡上以 160 FPS 的速度进行推断，在更高分辨率图像上推断时，实现了 71.3％的 IOU 平均值和 3.4 GFLOPs。

    Apr, 2019

  • 通过特征融合和分割监督学习更好的人脸检测特征

    本文提出了一种新的单次面部检测网络 DF $^2$ S $^2$，其引入了更有效的特征融合金字塔和在 ResNet-50 上更高效的分割支路来处理细节、遮挡和模糊等问题，并在更高级别的特征映射中应用语义信息作为上下文线索，以增强低级别特征映射，最大限度地利用检测监督信息并在自我监督的方式下，处理语义与细节之间的失衡，并在 WIDER FACE 数据集上取得了最先进的结果。

    Nov, 2018

  • 边缘分类：边界检测改善语义图像分割

    通过结合语义分割和语义感知边缘检测，将类边界显式地融入模型，有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题，从而显著地提高了基于卷积神经网络的语义分割准确度，该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。

    Dec, 2016

  • 决策融合网络与感知微调的缺陷分类

    表面缺陷检测是工业检测中的重要任务，本文提出了一个决策融合网络 (DFNet)，通过融合语义决策和特征决策来增强网络的决策能力，同时引入感知微调模块 (PFM) 来对前景和背景进行微调，并通过一个内外分离权重矩阵来解决标签边缘不确定性的影响，在公开数据集上验证了所提方法的有效性。

    Sep, 2023

  • MDFN: 目标检测的多尺度深度特征学习网络

    本文提出了一种基于深度学习的多尺度特征学习技术来解决物体检测问题，通过使用深层次的抽象特征来提高模型对语义信息的理解和处理能力，同时采用多框，多量级等技术提高模型的检测精度与计算效率。实验证明该模型在 KITTI，PASCAL VOC 和 COCO 数据集上表现优异。

    Dec, 2019

  • ASAP：高准确度实时语义分割

    本文提出使用 Feature Fusion with Different Norms (FFDN)，利用多重尺度的丰富全局上下文信息和垂直池化模块来减少在垂直方向上全局上下文编码的复杂度。在城市风景测试数据集上，平均交互并集（mIoU）为 73.1，每秒帧数（FPS）为 191，与目前最先进的结果相当。

    Oct, 2022

  • 用于语义分割的分层反卷积网络

    提出了一种基于多层浅层反卷积网络（SDN）的语义分割技术，通过多层网络集成上下文信息并加入层内和层间连接以提高特征融合和流向信息，应用层级监督优化网络训练，取得优异的分割效果。

    Aug, 2017

  • 深度属性网络

    本文提出了称为深层属性网络（DAN）的模型，可以输出图像的属性而不进行分类，在无约束的人脸验证和现实世界中的物体识别任务中使用 LFW 和 a-PASCAL 数据集对提出的模型的功效进行了评估，展示了基于属性的分类用于深度学习，通过展示与现有最先进结果相当的结果来演示了其潜力，一旦训练得当，DAN 快速且不需要计算可能不可靠和计算代价昂贵的低级特征。

    Nov, 2012