LevelSet R-CNN: 实例分割的深度变分方法
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
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。
Oct, 2019
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
本文提出了一种使用图像级别标签进行实例分割的新框架,其中分为两个阶段,分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验,相对于现有方法说明主要性能提高。
Jul, 2019
本文提出了一种利用全卷积神经网络直接预测实例标签的方法,并将分割问题作为最小化优化函数的变分松弛问题来处理,并扩展了经典的 Mumford-Shah 变分分割问题以处理实例分割中的置换不变标签,实验证明此方法能有效地解决实例分割任务。
Jul, 2020
本文提出一种基于概率分布的实例分割方法,利用潜在编码来建模物体掩膜的可能假设,从而降低机器人应用中的临界错误率。在实际服装拣选机器人上,该方法成功降低了错误率并提高了性能。
May, 2023
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
通过语义类别分割为基础,使用一种深度卷积回归网络来预测像素级的实例边界框,以实现语义实例分割,同时在训练过程中采用在线引导方法来进一步提高语义类别分割和实例级分割的效果,以最终在 PASCAL VOC 2012 数据集上取得最佳结果。
May, 2016
该研究提出了一种新的部分监督训练范式和权重转移函数,使得可以在仅有少量掩模注释的情况下,使用来自 Visual Genome 数据集的框注释和 COCO 数据集中 80 个类别的掩模注释,训练出可以检测和分割 3000 个视觉概念的 Mask R-CNN 模型,在 COCO 数据集上进行了实验评估。这是实现广泛理解视觉世界的目标实例分割模型的第一步。
Nov, 2017
本文提出了一种新的旨在优化实例分割方法的卷积神经网络,该网络称为 BlendMask。BlendMask 可以有效地将实例级信息与语义信息相结合,并能够学习每个实例的注意力图,并且具有较快的推理速度,其可以与最先进的一阶段检测框架轻松集成,同时在相同训练计划下优于 Mask R-CNN,并可以在单个 1080Ti GPU 卡上以 25 FPS 评估时实现 34.2% mAP,其简单易用而且强大,可用于一系列实例化任务。
Jan, 2020