ECCVFeb, 2020

SideInfNet：半自动语义分割的深度神经网络与辅助信息

PDF
TL;DR该论文提出了一种新的深度神经网络架构 ——SideInfNet，该网络能够有效地将从图像中学习到的特征与从用户注释中提取的结构信息相结合，从而实现半自动语义分割。实验证明，该方法在多个基准数据集上均取得了较好的效果，表明该模型具有广泛适用性和有效性。
发现论文，激发创造
  • 基于场景理解的深度稳健单张图片深度估计神经网络

    本篇论文提出了一种适用于室内和室外场景的两阶段 SIDE 框架，能够执行盲 SIDE，并通过使用深度可分卷积设计了一个多任务编码 - 解码 SIDE 网络 DS-SIDENet 以提高准确性。实验证明，该框架对扫描网室内图像和 KITTI 室外图像均表现出色。

    Jun, 2019

  • SDNet: 基于语义引导的深度估计网络

    论文提出了一种同时预测深度估计和语义分割输出的 CNN 模型，通过对单目输入图像进行实验，我们证明了该模型对于场景理解和深度估计能力达到了最新的研究水平。

    Jul, 2019

  • 面向开放词汇语义分割的旁路适配器网络

    本文介绍了一种利用预训练的视觉 - 语言模型（名为 Side Adapter Network）实现开放词汇语义分割的新框架，其中包括对固定 CLIP 模型附加侧网络以识别类别和预测掩模建议等过程，最终实现快速而精确的语义分割，并在多个基准测试集上超越了其他竞争者，还拥有较少的可训练参数和较快的推断速度。

    Feb, 2023

  • 深度估计和语义分割的混合网络

    通过混合卷积网络从单个输入图像中同时解决深度估计和语义分割两个重要任务，改善了特征提取过程，实验结果表明 HybridNet 的性能与最先进方法以及其基于的单任务方法相当。

    Feb, 2024

  • MultiDepth: 基于多任务回归与分类的单张图像深度估计

    MultiDepth 是一种新的卷积神经网络训练策略和体系结构，它允许将单个图像深度估计作为多任务问题来解决，辅助性任务可以禁用，从而有效地提高了训练精度和准确性。

    Jul, 2019

  • 自动驾驶快速场景理解

    本文提出一种基于 ENet 的实时高效实现，可以同时解决语义场景分割、实例分割和单目深度估计三个自动驾驶相关任务，不会因同时运行多个任务而牺牲准确性。

    Aug, 2017

  • SEMI-CenterNet: 半导体缺陷检查的机器学习促进方法

    本研究提出了基于深度学习的半导体缺陷检测方法 SEMI-CenterNet，在 SEM 图像中实现了缺陷的高效定位和分类，并显著改善了推断时间。通过在两个数据集上训练和使用自定义 SEM 数据集的迁移学习，减少了传统训练方法所需的训练时间，获得了最佳的平均精确度。

    Aug, 2023

  • ENet：用于实时语义分割的深度神经网络架构

    本篇论文提出一种名为 ENet 的新型深度神经网络架构，其最大特点是快速、参数少，适用于对实时性要求较高的像素级语义分割任务，且在 CamVid、Cityscapes 和 SUN 等数据集上测试表明效果相对优于同类型已有网络。

    Jun, 2016

  • BiSeNet: 双边分割网络用于实时语义分割

    本文提出了一种名为 Bilateral Segmentation Network（BiSeNet）的新型网络结构，通过引入 Spatial Path、Context Path 以及 Feature Fusion Module 三个模块，实现了在保持高分辨率的同时增加感受野，达到了在 Cityscapes、CamVid 和 COCO-Stuff 数据集上速度和分割性能相对平衡的效果，对于 2048x1024 的输入，我们在 Cityscapes 测试数据集上实现了 68.4％的平均 IOU，在 NVIDIA Titan XP 卡上的速度为 105 FPS，比现有方法更快，同时性能相当。

    Aug, 2018

  • BiSeNet V2：带有引导聚合的双边网络用于实时语义分割

    该研究提出了一种名为 Bilateral Segmentation Network (BiSeNet V2) 的神经网络架构，通过将空间细节和分类语义分别处理来实现高效准确的实时语义分割，并使用 Detailed Branch 和 Semantic Branch 来分别处理低级和高级特征。

    Apr, 2020