我们提出了一个可微分模型,用于明确地建模边界,包括轮廓、角点和交叉点,并使用我们称之为边界注意力的新机制。我们展示了即使边界信号非常弱或被噪声淹没,我们的模型也能提供准确的结果。与找到微弱边界的先前经典方法相比,我们的模型具有可微的优势,适用于更大的图像,并自动适应图像每个部分的适当几何细节水平。与通过端到端训练找到边界的先前深度方法相比,它具有提供亚像素精度、更具噪声鲁棒性以及能够以原生分辨率和长宽比处理任何图像的优势。
Jan, 2024
通过边界学习,分层迭代地优化边界变形并结合边缘提议模块,从而在有效地定位文本边界的同时,简单高效地检测任意形状的文本。
May, 2022
基于轮廓空间的边界损失可弥补高度不平衡问题,结合标准区域损失,实现 N 维分割的深度网络架构,显著提高训练稳定性。
Dec, 2018
本文提出基于超级边界到像素方向和定制化的超级边界到像素方向算法的快速图像分割方法,将图像分成超级边界到像素方向以及独具特色的信息超像素,并在 BSDS500 和 Pascal Context 上进行了广泛实验,表明所提出的方法在图像分割方面具有精准性和效率。作者还公开了相应代码。
May, 2020
本文提出了一种新的主动边界损失函数,通过不断引导预测边界和真实边界的对齐来改善语义分割效果,并且适用于图像和视频对象分割等复杂场景。
Feb, 2021
提出了一个目标函数,其中结合了检测似然和先验条件,最小化中心线或表面的曲率,用于同时检测和描绘细结构,具有亚像素定位和实值方向估计。
Jun, 2015
研究了边界估计和预测未来未观察到帧的边界能力,结合直观物理的概念,通过自然视频帧和合成序列的实验,发现 rgb 融合和边缘预测能够促进 rgb 预测的提升。
Nov, 2016
通过使用强度感知距离图和边界损失,本研究在点标注的语义分割中探讨了强度感知距离图与边界损失的组合。结果表明,这种监督策略具有巨大潜力,并在实验中取得了令人鼓舞的初步结果。
Nov, 2023
该篇论文提出了一种利用对象级特征进行边界检测的方法,采用了 “高层次向低层次” 和 “低层次向高层次” 的方案,得到了较好的性能,并且可以用于辅助高层次视觉任务。
Apr, 2015
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