通过图像重构检测意外情况
提出一种基于卷积神经网络的Region Proposal方法R-CNN,它与CNN结合起来使用更高的上下文信息,加上有监督的预培训方法,实现了在PASCAL VOC 2012数据集上的平均准确率mAP达到53.3%。
Nov, 2013
该研究提出一种发现类特定像素的方法,需要通过正确地结合显著性和注意力图才能获得可靠的线索,该方法将二者的可靠性信息组合使用,以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能,实验证明,该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。
Jul, 2017
本文提出了一种使用RGBD sensing的增量学习方法来进行开放式世界的语义分割,使用三维地图表示方法来标记没有语义标签的区域,实现对新的物体类别的识别及聚类。通过实验验证,该方法能够正确聚类已知和未知类别的对象,并且比现有的监督式方法具有更快的处理时间及更高的性能。
Jul, 2019
本文探讨了深度架构在更新模型上的遗忘问题和在语义分割中的特殊性,提出了一种基于蒸馏的框架解决语义分割中的背景类语义分布不一致的问题,并引入了一种新的分类器参数初始化策略,最终在Pascal-VOC 2012和ADE20K数据集上显著优于现有的增量学习方法。
Feb, 2020
以自动驾驶为例,该论文通过数据增强技术 Painting-by-Numbers 提出了一种新的训练网络的方法,通过增加网络的偏置,使其更加注重物体形状,从而使得网络更鲁棒,在密集语义分割任务中,在16种不同的图片破坏和5种不同的网络中取得了比使用无噪声清晰数据训练的74%的优势。
Oct, 2020
提出由余弦相似度分类器轻量化地从训练数据中提取类原型,并通过原型学习的方式解决语义分割中的异常检测问题,达到了具有显著优势的最新技术水平,可应用于智能自主系统中。
Jun, 2021
这篇论文介绍了一种新的新类发现语义分割方法,使用基于熵的不确定性建模和自训练技术来提高模型性能,实验结果展示了这种方法对于PASCAL-5i数据集上的平均IoU提高了9.28%。
Dec, 2021
在计算机视觉中,轻量级模型通常通过使用transformers,提高模型的性能,本文探讨如何通过四项指标(强度、校准、描述和区外检测)来提高模型的可靠性。
Mar, 2023