超级 BPD: 超级边界到像素方向用于快速图像分割
通过采用基于深度学习的超像素分割方法,在生成严格遵循物体边界的超像素,并传达丰富的视觉意义的过程中存在许多挑战,尤其当面色交叉相关性可能干扰物体时。为了解决这些问题,从神经结构和视觉机制中获得灵感,提出了一种生物网络架构,包括增强筛选模块和新颖的边界感知标签,用于超像素分割。增强筛选模块通过模拟视觉皮层的交互投影机制来增强语义信息。此外,边界感知标签模拟视觉皮层细胞的空间频率特性,以促进生成具有较强边界贴合性的超像素。通过对 BSDS500 数据集和 NYUv2 数据集的评估,证明了该方法的有效性。
Sep, 2023
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
基于极小测地线框架、自适应切割方法以及基于图的边界提议分组方法,提出了一种新型图像分割模型,实验证明该模型在应用于图像分割上优于最先进的基于极小路径的方法。
Sep, 2023
本文提出了一种基于边界感知的特征传播模块,利用单向有向无环图结构化图像,以及在 PASCAL-Context、CamVid 和 Cityscapes 等数据集上取得了最新的场景分割性能。
Aug, 2019
提出了一种 PBNet 方法,由多级全局感知模块(MGPM)和边界引导模块(BGM)组成,用于从超声图像中分割乳腺肿瘤。在 MGPM 中,建模了单层特征图中体素之间的长程空间依赖关系,然后融合了多级语义信息以提高模型对非增强肿瘤的识别能力。在 BGM 中,使用最大池化的膨胀和侵蚀效果从高级语义图中提取肿瘤边界,并利用这些边界来引导低级和高级特征的融合。通过对公开可用数据集和院内数据集进行的广泛对比实验表明,所提出的 PBNet 在定性可视化结果和定量评估指标方面优于现有的方法,Dice 分数、Jaccard 系数、特异性和 HD95 分别提高了 0.70%、1.1%、0.1% 和 2.5%。此外,割舍实验证明了所提出的 MGPM 对于区分非增强肿瘤以及 BGM 和 BS 损失对于优化肿瘤的分割轮廓也是有帮助的。
Oct, 2023
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
本文提出了一种新颖的边界点动态优化(BPDO)的任意形状场景文本检测器,该模型通过基于分割的文本感知模块(TAM)和边界点动态优化模块(DOM)实现。实验证明,该模型在 CTW-1500、Total-Text 和 MSRA-TD500 数据集上的性能优于或可与最先进算法相媲美,证明了该模型的有效性。
Jan, 2024
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
本文主要研究一种无需提议的实例分割方法,通过像素嵌入学习和聚类来识别图像中的物体,并提出一种包含距离回归模块的简单有效的体系结构,用于生成快速聚类的种子,并且通过将距离回归模块的特征与图像进行拼接,可以显著提高学习到的嵌入特征的准确性。该方法在 CVPPP Leaf Segmentation Challenge 上的结果是排行榜中最好的。
Jul, 2020