Dec, 2020

单GPU上超过1K类的语义分割扩展

HTML
PDF
TL;DR本文提出了新的训练方法，通过降低分割模型输出的空间复杂度和近似地计算误差概率来扩展语义分割模型以适应更多的语义类别，这个方法适用于任何现有的语义分割模型，而不会增加内存开销，实验结果表明，这种方法可以在仅使用一块 GPU 的情况下实现 Cityscapes、Pascal VOC、ADE20k、COCO-Stuff10k 数据集的类别扩展，而且可以将 mIoU 值提高三倍以上。
发现论文，激发创造
  • 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

  • 大核心很重要——通过全局卷积网络提高语义分割

    论文提出了一种全局卷积网络，用于解决语义分割中分类和定位问题，并且在两个公共基准数据集上实现了最新的性能。

    Mar, 2017

  • 弱监督语义分割中发现类特定像素

    该研究提出一种发现类特定像素的方法，需要通过正确地结合显著性和注意力图才能获得可靠的线索，该方法将二者的可靠性信息组合使用，以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能，实验证明，该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。

    Jul, 2017

  • 基于多个异构数据集的卷积网络训练，用于街景语义分割

    该研究提出了一种具有分层分类器的卷积网络，用于每像素的语义分割，能够在多个异构数据集上进行训练和利用它们的语义层次结构。

    Mar, 2018

  • 概念掩模：基于语义概念的大规模分割

    本论文提出了一种新的基于弱监督和半监督框架的语义分割系统，可以处理包括对象、部分、杂物和属性在内的无限数量的概念，通过训练深度神经网络，产生视觉-语义嵌入，在完全注释的数据集上训练注意力驱动类无关分割网络。

    Aug, 2018

  • 看见万物背后: 将语义分割扩展至被遮挡的区域

    本文利用深度学习网络结构，使用单个深度图像为输入，实现了语义分割中对可见和遮挡物体及其部分的类型预测，将语义类别进一步细分为背景和多个前景物体组，并改进了标准的交叉熵损失函数以适应这种情况，实验证明所提出的分类方法能够验证预测出被遮挡物体部分的语义类别，无需增加网络结构规模，其性能在由SUNCG数据集生成的新数据集上得到验证。

    Jun, 2019

  • 多数据集预训练：用于语义分割的统一模型

    本研究提出了一个名为多数据集预训练的统一框架，利用来自不同数据集的注释，通过像素级原型对比损失和跨数据集混合来扩展像素级嵌入，进而显式建模关于像素类的相似度，在多个基准测试上实现了卓越的性能。

    Jun, 2021

  • CAR: 语义分割的类别感知正则化

    本文提出了一种基于类别感知的正则化方法，通过优化特征学习过程中的类内方差和类间距离来更有效地利用类别信息，该方法可以应用于大部分现有的分割模型，并且可以在不增加推理开销的情况下显著提高它们的准确性。

    Mar, 2022

  • 重新思考语义分割：原型视图

    本研究提出了一种基于非可学习原型的非参数替代方法来处理任意数量的语义分割类，并通过模型优化嵌入式像素与锚定原型之间的排布来直接塑造像素嵌入空间，证实了该方法在多个数据集上的表现。

    Mar, 2022

  • 利用CNN进行语义分割（带有Pascal VOC数据集）

    本文提出一种针对Pascal VOC数据集的语义分割方法，通过使用 FCN、数据增强、类别不平衡权重和迁移学习等方法，以及 U-Net 和 ResNet 等不同的神经网络架构，有效地提高了模型的像素精度和 IoU 性能。研究表明数据增强是最有贡献的改进方法，而迁移学习模型在 Pascal 数据集上表现最佳。

    Apr, 2023