Sep, 2021

针对超高分辨率图像分割的降采样学习

PDF
TL;DR本文提出一种基于学习性下采样模块的图像分割算法来解决低成本语义分割，优化采样密度分布并通过规则项鼓励采样位置聚焦于对象边界，实验证明对图像分辨率高、计算资源限制的三组数据集均具有高效 - 准确性的优势。
computer vision systemssegmentation algorithmsdeep learningdownsampling moduleoptimisation
发现论文，激发创造
  • 高效分割：学习在语义边界附近进行下采样

    本研究提出了一种新的内容自适应下采样技术，通过学习目标类别边界附近的采样位置，保证了准确性和计算效率之间的平衡，从而获得更好的边界质量和对小物体的更可靠支持。

    Jul, 2019

  • 基于保边概率下采样的高效精确 CT 分割

    通过引入一种名为 Edge-preserving Probabilistic Downsampling (EPD) 的新方法，该方法利用局部窗口中的类别不确定性产生软标签，以低分辨率实现网络生成高质量预测，从而更有效地保留边缘细节，并在图像下采样中优于常规的最近邻插值方法和双线性插值方法，从而提高整体性能。相较于常规插值方法，我们的方法在将数据下采样至 1/2、1/4 和 1/8 时，Intersection over Union (IoU) 显著提高了 2.85%、8.65% 和 11.89%。

    Apr, 2024

  • 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

  • 卷积神经网络中的内容自适应下采样

    该论文提出了一种适应性下采样方案，通过允许以更高的分辨率处理信息丰富的区域而不是信息较少的区域，从而提高了各种已建立 CNN 的成本 - 准确性权衡效果。

    May, 2023

  • 学习时空下采样以实现有效的视频提升

    本文提出了一个神经网络框架，该框架能够联合学习时空下采样和上采样，并提出了两个新模块以解决时空去混叠问题和提高重建性能。实验证明，该方法显著提高了时空重构质量，并且能够应用于任意视频重采样、模糊帧重建和高效视频存储。

    Mar, 2022

  • 使用卷积神经网络实现亚分米分辨率图像的密集语义标注

    本文基于卷积神经网络提出了一种深度学习系统，能够在高分辨率的航拍图像上检测地物信息并达到了良好的识别精度。

    Aug, 2016

  • 基于学习的超分辨率框架在美国信号中的应用

    提出了一种基于深度学习的超分辨率超声图像和视频增强方法，通过训练模型和大量医学图像数据进行定制化的超分辨率处理，实现了对不同解剖区域的低分辨率超声图像和视频的有效提高，并且兼顾了训练网络的运算速度和硬件资源消耗。

    Apr, 2023

  • 变分扫掠：用于大分辨率图像的高效推断

    提出了一种使用代理分布降低高分辨率图像分类的推理和存储成本的方法，并介绍了一个新的原则性变分下界来捕捉代理分布后验与原始图像坐标空间之间的关系以最大化条件分类似然函数。在合成基准测试和现实世界大分辨率 DSLR 相机图像数据集上进行实证的结果表明，我们的方法产生了可比较的结果，而且推理速度快了 10 倍并且消耗的内存更少。即便是处理复杂 3D 渲染场景中的 Starcraft II 小地图，我们的模型也提供了强大的定位功能。

    Dec, 2018

  • 学习缩放与取消缩放

    本文介绍了一种新的算法 LZU，通过在输入图像上进行学习来计算空间特征并最终消除任何形变，使得可以应用于任何具有 2D 空间输入的任务和任何具有 2D 空间特征的模型，并通过在不同任务和数据集上的评估来展示其可用性。

    Mar, 2023

  • 利用超分辨率和深度学习提升建筑物语义分割的准确性：研究不同数据集的空间分辨率影响

    利用遥感和深度学习技术开展建筑物语义分割，对空间分辨率的影响进行研究，结果表明较高的空间分辨率对建筑物分割结果具有显著影响，且 0.3 米左右的成本效益最佳。

    Jul, 2023