DeepStrip: 高分辨率边界细化
提出一种基于后处理细化的框架,名为 BPR,以改善任何实例分割模型的结果,该框架通过沿预测边界提取和细化一系列小的边界补丁来提高边界质量,在 Cityscapes 基准测试中比 Mask R-CNN 基线得到显著提升,特别是在边界感知度量方面;此外,通过将 BPR 框架应用于 PolyTransform + SegFix 基线,我们在 Cityscapes 排行榜上达到第一名。
Apr, 2021
本研究通过系统性分析表明使用基于卷积神经网络的边缘检测器的检测结果并未正确定位边缘像素,通过一种新的优化架构,使用自上而下的反向优化路径对特征图进行逐步加精,本研究获得了比人类更准确的性能表现,在计算机视觉中的多个重要应用中取得了较好效果,尤其是在语义分割这一应用领域表现突出。
Jan, 2018
本文介绍了一种新的边缘检测损失函数和一种采用自底向上 / 自顶向下分层结构的端到端边界检测网络,该网络有效地利用层次特征并生成像素精确的边界掩模,从而不需要后处理即可生成准确、锐利的边缘。实验结果表明,这种方法不仅可以促进 CNN 的视觉结果,而且在 BSDS500 数据集(ODS F - 得分为 0.815)和 NYU Depth 数据集(ODS F - 得分为 0.762)上可以实现超越最新技术水平的结果。
Jul, 2018
通过将深度卷积神经网络应用于边界检测任务,结合精心设计的损失、多分辨率架构和外部数据的训练,结合基于 Normalized Cuts 技术的聚类方法的深度学习,将边界检测的最优分割数据量的 F 测量从 0.780 提高到 0.808,成功提升了现有技术水平,并在与语义分割任务相结合的测试中表现出对现有系统的明显改进。
Nov, 2015
我们提出了一个可微分模型,用于明确地建模边界,包括轮廓、角点和交叉点,并使用我们称之为边界注意力的新机制。我们展示了即使边界信号非常弱或被噪声淹没,我们的模型也能提供准确的结果。与找到微弱边界的先前经典方法相比,我们的模型具有可微的优势,适用于更大的图像,并自动适应图像每个部分的适当几何细节水平。与通过端到端训练找到边界的先前深度方法相比,它具有提供亚像素精度、更具噪声鲁棒性以及能够以原生分辨率和长宽比处理任何图像的优势。
Jan, 2024
本文提出了一种高效的基于轮廓的边缘细化方法 SharpContour,通过设计一种新颖的轮廓演化过程和实例感知点分类器,能够比现有的方法更加准确地预测轮廓,并与现有的模型无缝合作。
Mar, 2022
该篇论文提出了一种利用对象级特征进行边界检测的方法,采用了 “高层次向低层次” 和 “低层次向高层次” 的方案,得到了较好的性能,并且可以用于辅助高层次视觉任务。
Apr, 2015
我们提出了一种模型无关的后处理方案,通过使用内部像素的标签预测替换原来不可靠的边界像素预测,实现改进分割结果的边界质量,我们通过学习朝向内部像素的方向来建立对应关系,并实验证明我们的方法能够在 Cityscapes、ADE20K 和 GTA5 等数据集上有效地减少边界错误。
Jul, 2020
本文提出了一种新的网络层和损失函数,用于退化标注数据并从中学习到尖锐、精确的语义边界,通过实验证明相较于已有方法,其能够显著地改善语义边界检测效果并提高粗分割标签的效率。
Apr, 2019
通过知识蒸馏将较大的教师模型的知识传递给小型学生模型,我们提出了一种面向语义分割的有针对性的边界和关系蒸馏策略,以解决小型模型在保持边界区域完整性和保持目标区域连通性方面的错误,并在多个数据集上验证了该方法的优越性。
Jan, 2024