深烟雾分割
使用贝叶斯生成模型同时估算模型参数和预测来提高烟雾分割的准确性,在像素距离和透射特征基础上设计了传输引导局部相干损失以学习像素之间的关系,提供了一个高质量的数据集 SMOKE5K,实验结果表明我们的模型实现了准确的预测和可靠的不确定性映射。
Mar, 2023
通过提出适用于无人机 / 无人机图像的分割神经网络(SegNet)选择方法,该研究旨在缩短特征图以显着提高实时野火检测的处理速度和准确性,从而为全球野火检测增加了实时检测能力、野火检测准确性以及早期野火检测的能力。
Feb, 2024
本研究提出一种利用金字塔池化模块的编码 - 解码神经网络模型,通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息,以提供标准化的皮肤黑色素瘤患者计算机辅助分析,并通过 ISIC 2018 数据集的训练和验证,在 Jaccard 系数上取得了 0.837 验证准确性,优于 U-Net,相信这种方法可以用于临床实践。
Jan, 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
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
提出了一种基于 Focus 和 Separation Network(FoSp)的早期烟雾分割方法,通过引入双向级联的 Focus 模块来定位和确定雾霾的范围,使用 Separation 模块将雾霾图像分离成纯雾霾前景和无烟雾背景,提高了分割精度,最终在新的高质量数据集 SmokeSeg 上取得了最佳表现。
Jun, 2023
本文提出了一种端到端的两阶段深度卷积神经网络框架,用于视频序列中的前景分割,该方法利用背景图像的语义和先验知识以及前景和背景的先验视觉知识,与 CDNet 2014 相比,其性能提高了 4.9%。
Jul, 2017
研究通过使用基于深度显著性网络的新型视频烟雾检测法来提高烟雾的检测精度,并成功利用像素级和目标级显著卷积神经网络来提取信息烟雾显著性图,并使用端到端的框架来进行可靠的烟雾检测和预测。
Sep, 2018
基于全卷积网络(FCN)的图形模型 Graph-FCN 用于图像语义分割,将图像网格数据扩展为图形结构数据,然后应用图形卷积网络解决图形节点分类问题,与原始 FCN 模型相比在 VOC 数据集上实现了竞争性的 mIOU 性能提升约 1.34%。
Jan, 2020