Aug, 2020

基于 CRF 的学习鉴别性特征方法用于非监督视频对象分割

PDF
TL;DR本文提出了一种名为 DFNet 的新型网络，用于解决无监督视频物体分割任务，通过提取刻画全局特征分布的判别性特征，使用条件随机场 (CRF) 建立与测试图像的特征对应关系，并在像素级别上进行一致性约束。实验结果表明，该方法在使用更少的参数和更高效的推断性能的情况下，获得了优于当前最先进方法的 83.4% 的平均 IoU 分数，并在 DAVIS-2016 排行榜上排名第一。DFNet 进一步应用于图像对象协同分割任务，并在具有挑战性的数据集 PASCAL-VOC 上展示出其广泛适用性。
unsupervised video object segmentationdiscriminative feature networkconditional random fieldiou scoreimage object co-segmentation
发现论文，激发创造
  • 学习具有判别性特征网络的语义分割模型

    本文提出了一种新的语义分割方法，通过内部类别的一致性和类别之间的区分度两个方面的挑战，设计了一个包含两个子网络的鉴别特征网络 (DFN)，由平滑网络和边界网络组成。实验结果表明，该方法在 PASCAL VOC 2012 和 Cityscapes 数据集上取得了 86.2% 和 80.3% 的平均 IOU，达到了最先进的性能水平。

    Apr, 2018

  • F2Net: 基于学习前景关注的无监督视频目标分割

    本文提出了一种新颖的‘Foregraound Network (F2Net)’，使用 Siamese 编码器模块、中心引导外观扩散模块和动态信息融合模块等方法，实现了在深度学习和视频对象分割的领域内的最新成果，提高了分割性能。

    Dec, 2020

  • 利用 CNN 特征学习 CRF 以进行图像分割

    本文主要介绍了一种基于预训练的 CNN 和 CRF 的图像分割方法，通过构建一些潜在的超像素来生成 CRF 的 potentials，并借助结构化 SVM 来学习 CRF 参数。研究者们还构建了空间相关的、共现的二元 potentials，以更加准确地描述目标物体在一定空间布局下的标签关系。实验表明，该方法在很多二元和多元分割测试中表现出很好的性能。

    Mar, 2015

  • 通过特征融合和分割监督学习更好的人脸检测特征

    本文提出了一种新的单次面部检测网络 DF $^2$ S $^2$，其引入了更有效的特征融合金字塔和在 ResNet-50 上更高效的分割支路来处理细节、遮挡和模糊等问题，并在更高级别的特征映射中应用语义信息作为上下文线索，以增强低级别特征映射，最大限度地利用检测监督信息并在自我监督的方式下，处理语义与细节之间的失衡，并在 WIDER FACE 数据集上取得了最先进的结果。

    Nov, 2018

  • DCFNet: 基于判别式相关滤波网络的视觉跟踪

    本文提出基于深度学习网络的 DCFNet 算法，利用卷积特征同时完成相关性跟踪过程，其效率和准确性在 OTB-2013, OTB-2015, and VOT2015 测试中表现优异。

    Apr, 2017

  • DSNet：高效视觉跟踪的深浅特征学习

    本研究提出了一种深浅特征学习网络 DSNet，通过 MSC 特征的学习，利用任何基于 DCF 的方法进行有效的在线追踪，同时可显著提高跟踪速度。

    Nov, 2018

  • DFANet: 深度特征聚合实时语义分割

    本文提出了一种名为 DFANet 的极其高效的卷积神经网络架构，用于在资源有限的情况下进行语义分割。通过子网络和子阶段级联聚合区分特征，通过多尺度特征传播，DFANet 大大减少了参数数量，并提高了模型学习能力，在速度和分割性能之间取得平衡。在 Cityscapes 和 CamVid 数据集上的实验证明了 DFANet 具有比现有最先进的实时语义分割方法快 2 倍，FLOPs 少 8 倍的卓越性能，同时提供可比较的准确性。具体而言，它在 Cityscapes 测试数据集上实现了 70.3％的 IOU 平均值，仅使用 1.7 GFLOPs，并在一张 NVIDIA Titan X 卡上以 160 FPS 的速度进行推断，在更高分辨率图像上推断时，实现了 71.3％的 IOU 平均值和 3.4 GFLOPs。

    Apr, 2019

  • 基于判别模型的跟踪学习特征嵌入

    本文提出一种新颖且有效的 DCFST 体系结构，用于学习在线判别式追踪器的最佳特征嵌入，集成区分性模型的求解器到卷积神经网络中，通过端到端的训练获得最优的特征嵌入，并将常见的岭回归模型应用于实例，结果表明该方法适用于类无关目标并实现了最先进的准确性，同时超过实时速度。

    Jun, 2019

  • 鲁棒视觉目标跟踪的联合群组特征选择与判别式滤波器学习

    提出了一种用于视觉对象跟踪的新的基于群组特征选取的判别相关滤波 (GFS-DCF) 方法。该方法能够跨越通道和空间维度进行群组特征选取，重点在于确定多通道特征对过滤系统的结构相关性。此外，我们的 GFS-DCF 能够实现联合特征选取和过滤器学习，实现了学习滤波器的增强辨别和可解释性。在实验结果上，我们的 GFS-DCF 在 OTB2013、OTB2015、VOT2017、VOT2018 和 TrackingNet 上均表现优异，超越了现有的跟踪器。

    Jul, 2019

  • 深度卷积网络与全连接 CRF 的语义图像分割

    该研究论文结合深度卷积神经网络和概率图模型的方法来解决像素级分类（语义图像分割）任务中深层网络往往无法精确定位目标分割的问题，并通过将深层网络的响应与全连接条件随机场相结合，提出了一种 DeepLab 系统。定量实验表明，该方法在 PASCAL VOC-2012 语义图像分割任务中，IOU 精度可达 71.6％。

    Dec, 2014