CVPRMay, 2020

CascadePSP: 通过全局和局部优化实现类别不可知和高分辨率分割

PDF
TL;DR本文提出了一种基于 CascadePSP 网络的语义分割方法，可准确捕捉高分辨率图像中的物体边缘，对任何分辨率的图像都适用，并可推广至多类别场景分割。
semantic segmentationhigh-resolution imagescascadepsp networkmulti-class segmentationpixel-accurate segmentation
发现论文，激发创造
  • 关于图像分辨率对语义分割影响的研究

    通过简化网络架构，我们展示了一种直接产生高分辨率分割结果的简化模型，其性能可以与生成低分辨率结果的更复杂系统匹配，并通过底层信息传播技术在不同尺度上提高分割准确性。

    Feb, 2024

  • ICNet 用于高分辨率图像的实时语义分割

    本文提出了一种基于图像级联网络 (ICNet) 的实时语义分割方法，通过多分辨率分支和级联特征融合单元，以及恰当的标签引导来降低像素级标签推断的计算量，从而实现对挑战性数据集（如 Cityscapes，CamVid 和 COCO-Stuff）的高质量实时分割。

    Apr, 2017

  • 街景语义分割的全分辨率残差网络

    提出了一种 ResNet-like 的网络结构，结合多尺度上下文信息和像素级精确度，使得在不需要额外处理步骤和预训练的情况下，可以在 Cityscapes 数据集上实现 71.8％ 的交并比得分，以提高自动驾驶系统中的图像分割效果。

    Nov, 2016

  • 使用非常深的全卷积网络进行高性能语义分割

    本文提出了一种基于残差网络的高性能语义图像分割方法，并对不同变体的完全卷积残差网络进行了评估，进一步提出了用低分辨率网络模拟高分辨率网络的方法，引入了在线启动方法以及在一些残差块上应用的传统退化法，取得了在 PASCAL VOC 2012 数据集和 Cityscapes 上最好的平均重叠联合 75 的性能表现。

    Apr, 2016

  • 渐进式语义分割

    该文章提出了一个名为 MagNet 的多尺度框架，可以在不超载 GPU 内存使用或丢失输出细节的情况下对高分辨率图像进行分割。

    Apr, 2021

  • 用拉普拉斯金字塔重建和细化进行语义分割

    本文提出在卷积神经网络 (CNN) 中，通过 Laplacian 金字塔多分辨率重构和高分辨率特征地图的跳跃连接和乘法门来逐步优化从低分辨率地图中重构的区段边界，从而实现对需要密集像素标记的任务的高效语义分割。在 PASCAL VOC 和 Cityscapes 分割基准上实验，该方法能够实现最先进的语义分割结果。

    May, 2016

  • 基于区域感知上下文融合和交替局部增强的超高分辨率图像分割

    本文介绍了一种新的局部感知上下文融合图像分割模型，旨在处理具有大变化语义区域的超高分辨率图像，并通过交替本地增强模块限制冗余信息的负面影响以产生精细结果，实验结果表明其优于其他最先进的方法。

    Sep, 2021

  • 超像素：将超高分辨率图像合成推向新的高峰

    UltraPixel 是一种新型架构，利用级联扩散模型在单一模型中生成高质量的多个分辨率（例如 1K 到 6K）的图像，同时保持计算效率。UltraPixel 利用低分辨率图像的语义丰富表示在后期去噪阶段引导高分辨率图像的整体生成，大大降低了复杂性。此外，我们引入了连续上采样和尺度感知归一化层的隐式神经表示，适用于不同的分辨率。值得注意的是，低分辨率和高分辨率处理都在最紧凑的空间中进行，与高分辨率输出相比，共享了大多数参数，只增加了不到 3％的额外参数，大大提高了训练和推断效率。我们的模型通过减少数据需求实现了快速训练，生成了照片级真实感的高分辨率图像，并在广泛的实验中展现出了卓越的性能。

    Jul, 2024

  • 重访多尺度特征融合在语义分割中的应用

    本文提出了一种使用多尺度特征融合网络和 BiFPN 来进行实时图像语义分割的方法 ESeg，通过扩展传统的多尺度特征空间来实现，不需要高分辨率和昂贵的空洞卷积。实验证明，ESeg 在多个数据集上的表现比先前的方法更准确，并且实时性能得到提升。

    Mar, 2022

  • 金字塔场景解析网络

    本文介绍了一种利用基于不同区域的上下文聚合和金字塔场景分割网络的全局上下文信息的方法，以进行场景分割任务，并在各种数据集上取得了最先进的性能表现。该方法在 PASCAL VOC 2012 基准和 Cityscapes 基准数据集上创造了新的记录。

    Dec, 2016