DeeperLab:单镜头图像解析器
Panoptic-DeepLab 采取了双重 ASPP 和双重解码器结构,实现了单次扫描的全景分割,并在 Cityscapes 和 Mapillary Vistas 数据集上取得了最新的最优结果。
Oct, 2019
Panoptic-DeepLab 是一个用于全景分割的模型,具有简单、强大和快速的特点。通过采用语义和实例分割的双重 ASPP 和双重解码器结构,同时使用语义分割模型的典型设计和类别不可知的实例中心回归,Panoptic-DeepLab 超过了所有三个 Cityscapes 基准测试,取得了新的最佳表现,并在 Mapillary Vistas 测试集上提供了未来领先的 42.7% PQ 精度.
Nov, 2019
我们提出了一种端到端的网络,用于连接全景分割的训练和推理管道,通过使用密集实例亲和力来捕获像素对属于相同实例的概率,并与 ResNet-50 骨干网络配合使用,实现了对 Cityscapes 和 COCO 数据集的新记录。
Jan, 2020
该论文讨论了通过实例级别的语义部件分割实现目标解析的方法。网络结构由分类级别分割模块以及可处理每个图像中不同数量人体检测结果的差分有条件随机场组成,网络通过单次前向传递输出实例级别部件和人体部分分割结果,同时能够实现有效的目标计数和分类级别部分分割。
Sep, 2017
本文提出了一种用于全景分割的深度神经网络,将语义分割与实例分割任务联合起来,从而在单次计算中为输入图像的每个像素提供类标签和唯一对象标识符,并且通过增强信息共享和合并启发式方法,单个网络的性能提高,如在 Cityscapes 上可获得 45.9 的 PQ 分数。
Feb, 2019
这篇论文提出了一种弱监督的模型,能够同时执行语义分割和实例分割任务,并使用图像级别标签弱监督 “stuff” 类别的分割,以及使用边界框弱监督 “thing” 类别的分割。通过分析注释质量和预测性能之间的关系,可以对数据集的创建有所启示。
Aug, 2018
本文提出了一种基于密集检测和全局自注意力机制的新型单次全景分割网络,该网络采用参数自由的掩码构建方法,大大降低了计算复杂度,实现了高效的实时性能,并在 Cityscapes 和 COCO 基准测试上取得了很好的效果。
Dec, 2019