基于 Ladder-DenseNet 模型的鲁棒语义分割
采用 DenseNet-based 的梯形架构,探究 feature map 缓存对分割任务的影响, 最终在多个基准数据集上以更高的预测精度和执行速度超越当时最先进的方法,同时在商用硬件上实现了训练超高分辨率的语义分割任务。
May, 2019
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
本文提出新的计算机视觉方法,使 3D 语义分割可以更好地理解具有更多类别和自然分布的真实环境,并在新的扩展基准上测试,使用语言驱动的预训练方法使特征更鲁棒。实验结果表明,我们的方法在提出的基准上始终优于现有技术。
Apr, 2022
本研究的目的是针对 DeepLabv3+ 模型在语义分割应用中的鲁棒性进行全面调查,研究结果显示性能与鲁棒性有很大关系,而有些架构属性则对鲁棒性产生了显著影响。
Aug, 2019
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
本文研究了使用深度完全卷积神经网络(DFCNN)对地观测图像进行像素级场景标记。作者使用了变种的 SegNet 架构对城市区域的遥感数据进行训练,并研究了不同的准确语义分割方法。作者提出以下贡献:1)作者有效地将 DFCNN 从常规日常图像转移到遥感图像领域;2)作者引入了一个多核卷积层以便于对多个尺度上的预测进行快速聚合;3)作者使用残差校正对异构传感器(光学和激光)的数据进行融合。所提出的方法在 ISPRS Vaihingen 2D 语义标记数据集上改进了现有技术的准确率。
Sep, 2016
本研究提出了一个新的实时卷积神经网络 ——Lite-HDSeg,用于三维激光雷达点云的智能语义分割,在 SemanticKitti 基准测试中取得了最佳的准确度和计算复杂度平衡。本文提出的方法在机器人和自动驾驶应用中是非常适合的。
Mar, 2021
本文提出了一种名为 HDVNet 的新型架构,针对测量应用程序中的点云具有的大局部密度变化提出解决方案,通过一个嵌套的编码器 - 解码器通路集合来处理特定的点密度范围,有效地处理了输入密度变化,提高了分割精度。
Jul, 2023
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