Jun, 2018

TernausNetV2：全卷积网络用于实例分割

PDF
TL;DR本研究提出了一种名为 TernausNetV2 的简单卷积神经网络，可以从高分辨率卫星图像中提取物体的实例级信息，具有应用于语义分割和实例分割任务的普适性，通过扩展视觉到更广泛的光谱范围中实现转移学习，实现了在 DeepGlobe-CVPR 2018 建筑检测子挑战中优越的性能。
发现论文，激发创造
  • 全卷积实例感知语义分割

    本文提出了第一个完全基于卷积的端到端解决方案，用于实例感知的语义分割任务，它继承了 FCNs 的所有优点，包括用于语义分割和实例掩码提议的实例掩码预测和分类，并且在这两个子任务以及 ROI 的所有区域之间完全共享其底层卷积表示，所建议的网络高度集成，并在准确性和效率方面均实现了最先进的性能。它以很大的优势赢得了 COCO 2016 分割竞赛。

    Nov, 2016

  • 动态实例化网络的像素级实例分割

    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

  • 全卷积 DenseNet 语义分割模型：One Hundred Layers Tiramisu

    本文提出了一种基于 Densely Connected Convolutional Networks 的语义分割方法，不需要进一步的后处理模块或预训练即可在 CamVid 和 Gatech 等城市场景基准数据集上达到最先进的结果。此外，由于模型的智能构造，我们的方法在参数数量方面比当前已发布的最佳结果少得多。

    Nov, 2016

  • 使用多任务学习残差全卷积网络从航空图像和视频实现车辆实例分割

    本文介绍了基于多任务学习网络和残差网络，提出了一种能够同时学习两个互补任务的方法，即分割车辆区域和检测语义边界。为了评估未来的车辆实例分割算法，作者构建了一个新的车辆实例分割数据集并分享了链接。

    May, 2018

  • 利用三元卷积神经网络进行前景分割与多尺度特征编码

    提出一种基于编码器 - 解码器神经网络的动态目标分割方法，通过使用预训练的卷积网络对图像进行特征嵌入，利用反卷积网络进行特征与图像的转换，该方法在 Change Detection 2014 挑战赛中表现优于现有所有最先进的方法，达到了 0.9770 的平均 F-measure。

    Jan, 2018

  • 语义实例分割的递归神经网络

    我们提出了一种用于语义实例分割的循环模型，它可以为图像中的每个对象顺序生成二进制掩码和它们的相关类概率。

    Dec, 2017

  • K-Net：面向统一图像分割

    本文提出了一种名为 K-Net 的统一、简单、有效的框架，通过一组可学习的内核一致地分割实例和语义类别

    Jun, 2021

  • 多任务网络级联实例感知语义分割

    本文介绍了一种基于 Multi-task Network Cascades 的实例感知语义分割模型，该模型包含三个网络，分别用于区分实例、估算掩模和分类物体。该方法在 PASCAL VOC 数据集上达到了最先进的实例感知语义分割准确度，并且速度比之前的系统快两个数量级。

    Dec, 2015

  • 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

  • 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