Apr, 2018

堆叠 U-Net：自然图像分割的无花样方法

PDF
TL;DR本文提出了堆叠 U-Net（SUNet）通过反复迭代不同分辨率尺度的特征来维护分辨率，并利用 U-Net 的信息全球化能力在更深的网络结构中，能够处理自然图像的复杂性，在少量参数的情况下在语义分割任务上表现极佳。
imaging taskssemantic segmentationobject detectionsunetsresolution
发现论文，激发创造
  • 非局部 U-Net 用于生物医学图像分割

    本文提出非局部 U-Net，它配备了灵活的全局聚合块，在医学影像分割中取得了良好的结果。

    Dec, 2018

  • 协作全局 - 局部网络的超高分辨率图像内存高效分割

    提出了一种以极高的内存效率保留全局和局部信息的协作全局 - 本地网络，同样适用于粗到细的分割，用于超高分辨率图像的分割。

    May, 2019

  • 基于双变形器的堆叠稠密 U-Net 网络用于鲁棒性人脸对齐

    我们提出了一种基于堆叠密集 U-Nets 的人脸关键点检测模型，采用新颖的网络结构和协同损失函数，通过变形卷积实现空间不变性，并在多个真实场景数据集上验证了模型的鲁棒性和在 3D 人脸识别方面的应用。

    Dec, 2018

  • NUMSnet: 3D 医学影像堆栈的分层多类别分割网络

    本研究提出一种名为 NUMSnet 的新型 Unet 模型，通过嵌套层传输像素邻域特征，实现具有最少训练数据的多类语义分割，可用于标准化多种体积图像堆的语义分割，从而显著降低计算机辅助检测和治疗的成本、时间和观察者间可变性。

    Apr, 2023

  • ResUNet-a：用于遥感数据语义分割的深度学习框架

    本文提出了一种基于 ResUNet-a 深度学习架构和 Dice 损失函数的可靠框架，用于进行单时相高分辨率航空图像的语义分割，并对多种广义 Dice 损失函数进行了性能分析和介绍了一种新的变异损失函数，该模型在 ISPRS 2D Potsdam 数据集上的平均 F1 分数为 92.9％，在所有类别方面均达到了最新性能。

    Apr, 2019

  • U-Net: 生物医学图像分割的卷积神经网络

    该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

    May, 2015

  • UPSNet: 一个统一的全景分割网络

    本文提出了一种统一的全景分割网络（UPSNet），通过在单个骨干残差网络上设计基于可变卷积的语义分割头和基于 Mask R-CNN 的实例分割头，同时解决这两个子任务，并引入了一个无需参数的全景头来通过像素级分类解决全景分割，可帮助更好地解决语义分割和实例分割之间的冲突。此外，具有处理不同实例数量挑战的功能，可以端到端地在底部模块中反向传播。实验结果表明，UPSNet 可以实现最先进的性能，并具有更快的推理速度。

    Jan, 2019

  • 深度关注 Unet：具有全局特征感知能力的网络模型

    本文提出了一种基于通道自注意机制和残差连接的新型 UNet 图像分割算法，通过改进图像中不同项目之间的内部连接，显著提高了遮挡遥感图像分割的结果。在 FoodNet 数据集上，与传统 UNet 相比，新的网络模型将平均交并比提高了 2.48%。

    Apr, 2023

  • DoubleU-Net: 医学图像分割的深度卷积神经网络

    提出了基于编码器解码器的方法 DoubleU-Net，该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。

    Jun, 2020

  • 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