基于 CNN 的语义分割，使用水平集损失

Oct, 2019

基于 CNN 的语义分割，使用水平集损失

CNN-based Semantic Segmentation using Level Set Loss

Youngeun Kim, Seunghyeon Kim, Taekyung Kim, Changick Kim

TL;DR研究使用 CNN 进行语义分割时由于输出分辨率较低而损失空间细节的问题，采用基于 level set 理论的新型 loss function：level set loss，将 level set 函数转化为类别概率图，通过加权求和与 cross-entropy loss 进行联合优化，提高了分割结果的空间细节。对比先前的方法取得更好的性能。

Abstract

Thesedays, Convolutional Neural Networks are widely used in semantic segmentation. However, since CNN-based segmentation networks produce low-resolution outputs with rich semantic information, it is inevitable that spatial details (e.g., small bjects and fine boundary information) of s

convolutional neural network semantic segmentation level set loss spatial details multiple classes

发现论文，激发创造

LevelSet R-CNN: 实例分割的深度变分方法

介绍了一种将现有的深度学习模型和变分分割方法结合的方法，该方法利用深度特征和能量函数优化得到高精度的实例分割掩码，适用于机器人操作和自动驾驶等各种现代应用。

Jul, 2020

一种深度水平集方法用于图像分割

本文提出一种新的图像分割方法，该方法将全卷积神经网络 (FCN) 与水平集模型相结合。相较于单独使用 FCN，该集成方法可以结合平滑和先验信息来实现准确的分割。此外，该模型将水平集模型与训练相集成，从而可以在半监督模式下使用未标记的数据进行训练。本文使用两种医学成像数据（肝 CT 和左腔室 MRI 数据）证明了该集成方法在很少的训练数据可用的情况下也能够取得良好的性能，优于单独使用 FCN 或水平集模型。

May, 2017

将水平集重新构造为深度循环神经网络方法以进行语义分割

本论文提出了一种新的轮廓演化定义，称为 Recurrent Level Set (RLS)，通过 Gated Recurrent Unit 在变分 LS 函数的能量最小化下进行，以弥补经典变分 LS 方法在处理多实例对象和迭代次数影响等方面的局限性，并将其扩展为 Contextual RLS (CRLS) 以解决野外语义分割问题分。实验结果表明，与经典的变分 LS 方法相比，我们提出的 RLS 方法能提高计算时间和分割精度，而完全端到端系统 CRLS 与当前最先进的语义分割方法的性能相当。

Apr, 2017

遥感图像语义分割的边界损失

通过使用一种新的可微分度量替代传统分割损失函数，我们提出了一种新的分割边界检测方法，该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界，并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证，最终的结果表明，该方法提高了 IoU 分数，优于基线方法。

May, 2019

基于约束的卷积神经网络弱监督分割

我们提出了一个名为约束卷积神经网络的方法，它使用一种新的损失函数来优化 CNN 模型输出空间上任何一组线性约束条件，并且通过大量实验得出该方法在弱监督语义图像分割任务中表现出卓越的效果。

Jun, 2015

基于框标注的水平集演化实例分割

该研究提出了一种新的单次盒监督实例分割方法，该方法将经典的水平集模型与深度神经网络结合到一起，提出了一种连续的 Chan-Vese 能量功能，采用简单的盒标注来学习一系列水平集，通过盒投影功能来获得初始边界，并在相应的边界框注释内逐步优化每个实例的水平集。实验结果表明该方法在各种情况下实现了鲁棒的实例分割效果。

Jul, 2022

对比学习用于标签少的语义分割

本文提出了一种基于对比度学习的语义分割训练策略，使用像素级和标签基础对比损失的方法，能够在减少标记数据的情况下提高性能，并通过 Cityscapes 和 PASCAL VOC 2012 数据集的实验证明了该方法的有效性。

Dec, 2020

使用卷积神经网络实现亚分米分辨率图像的密集语义标注

本文基于卷积神经网络提出了一种深度学习系统，能够在高分辨率的航拍图像上检测地物信息并达到了良好的识别精度。

Aug, 2016

全局反卷积网络用于语义分割

本文提出了一种新型架构，用于全局地等效进行反卷积操作并获取密集预测进而解决卷积神经网络在语义图像分割任务中的两个独特挑战，即低分辨率输出与局部特征提取中的全局信息不足。实验结果表明，在 PASCAL VOC 2012 基准测试中，本文方法取得了 74.0% 的平均 IU 准确率，优于当前最先进的语义分割模型。

Feb, 2016

全连接深层结构网络

该研究提出了一种单一联合训练算法，能够有效地应用于语义图像分割任务，并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。

Mar, 2015