MMMay, 2019

使用语义分层网络学习语义感知距离图进行全模态实例分割

PDF
TL;DR本研究提出一种语义感知距离映射（sem-dist map）与卷积神经网络（CNN）架构相结合的方法，实现对无模态分割问题的解决，经实验表明，该方法具有最先进的性能。
amodal segmentationdistance mapsemanticsconvolutional neural networkstate-of-the-art performance
发现论文，激发创造
  • 学习看见不可见的：端到端可训练的平均实例分割

    本文提出了第一个全新的端到端可训练模型，为语义无模态分割预测非实例的遮挡区域，实验结果表明，本模型选择的架构有助于无模态分割，并在 COCO 无模态数据及两个新数据集上均提供了强大的基础性能。

    Apr, 2018

  • 医学图像的形状感知半监督三维语义分割

    本研究提出新型的半监督学习策略来提高医学图像分割的形状估计性能，该方法采用多任务深度网络来同时预测语义分割和物体表面有符号距离图，并通过敌对损失来有效地捕捉形态感知特征.

    Jul, 2020

  • 感知无形：无需提案的全视野不论提取分割

    本文提出了一种无需预测提议、将 amodal mask 分配到不同层级、通过在每一层独立地进行 amodal 实例回归来预测交通参与者及其语义标签的 proposal-free 多标签多类别无缝分割网络，并采用共享骨干和不对称双解码器的 et 架构以及 amodal mask refiner，其在 BDD100K-APS 和 KITTI-360-APS 数据集上的测试表明超越了现有技术水平。

    May, 2022

  • 语义分割的距离图损失惩罚项

    本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域，经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征，有望用于提取形态学生物标志物，并得出定量评估指标。

    Aug, 2019

  • 看见不可见：为房间导航学习语义图

    使用学习方法，结合语义地图进行室内导航，预测超出视野范围的置信度地图和目标点，模型可根据建筑模式和风格规律在新环境中进行导航，将房间导航任务简化为点导航可提高性能。

    Jul, 2020

  • 语义无关模态分割

    本文从视觉识别入手，通过提出一种新的图像标注方式 —— 语义全场景标注，捕获了更全面的图像信息并创建了两个新的数据集来提高模型提取信息的准确性和效率。

    Sep, 2015

  • 无关视角实体分割

    本文提出并验证了一种基于标准模态实例分割注释来训练模型进行非模态实例分割的新方法。同时定性和定量证明了该方法的有效性。

    Apr, 2016

  • 看见万物背后：将语义分割扩展至被遮挡的区域

    本文利用深度学习网络结构，使用单个深度图像为输入，实现了语义分割中对可见和遮挡物体及其部分的类型预测，将语义类别进一步细分为背景和多个前景物体组，并改进了标准的交叉熵损失函数以适应这种情况，实验证明所提出的分类方法能够验证预测出被遮挡物体部分的语义类别，无需增加网络结构规模，其性能在由 SUNCG 数据集生成的新数据集上得到验证。

    Jun, 2019

  • 基于空间语义网络调制的深层物体共分割

    本文提出了一个空间和语义调制的深度网络框架，用于共同分割多个相关图像中的共享对象。该模型通过使用骨干网络提取多分辨率的图像特征，并通过非监督学习捕获图像特征描述符之间的相关性。使用监督图像分类任务来模拟语义调制器，并使用层次二次池化模块转换图像特征，以集中于共同对象区域的分割。结果表明，该模型在四个图像共分割基准数据集上的表现优于现有的最先进方法。

    Nov, 2019

  • 语义校准的跨层蒸馏

    本文提出了 Semantic Calibration for cross-layer Knowledge Distillation (SemCKD) 方法，使用 Attention 机制自动分配适当的目标层，对学生模型进行知识蒸馏，以提高泛化能力。

    Dec, 2020