Apr, 2023

ProPanDL: 一种用于不确定性感知全景分割的模块化架构

PDF
TL;DRProPanDL 是一种能够进行不确定性感知的全景分割网络家族，能够估计全景分割的语义和空间因素的完整概率分布，通过采用样本网络和方差网络进行像素级别的空间不确定性的估计以及采用温度缩放和证据深度学习等方法进行语义不确定性的估计来提高不确定性感知的全景分割任务，并建立了新的度量标准来进行空间和语义不确定性的单独评估和通过能量分数进行空间输出分布的更健壮评估，数值实验表明其在保持基础全景分割任务的强大性能的同时又能够估计良好校准且具有意义的输出分布。
发现论文，激发创造
  • Bayesian SegNet：用于场景理解的深度卷积编码器 - 解码器结构的模型不确定性

    提出一种用于概率像素级语义分割的深度学习框架 ——Bayesian SegNet，可以在测试时间执行带有丢弃的蒙特卡罗采样，以生成像素类标签的后验分布，从而改善小数据集的语义分割性能，提高 2-3% 的性能。

    Nov, 2015

  • 基于概率的深度学习实例分割

    本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。

    Aug, 2020

  • 深度学习全景分割中的不确定性估计

    探讨如何将集成学习不确定性估计方法应用于全景分割领域，以提高现有网络的性能并为其预测结果提供更好的不确定性度量。

    Apr, 2023

  • Panoptic-PolarNet：无需提议的 LiDAR 点云全景分割

    提出了一种名为 Panoptic-PolarNet 的快速而强健的 LiDAR 点云全景分割框架，使用极坐标鸟瞰图表示进行语义分割和类无关实例聚类，以解决城市街景中实例的遮挡问题，实验结果表明 Panoptic-PolarNet 在 benchmark 数据集上表现优异。

    Mar, 2021

  • 医学影像中确定性不确定性量化的潜密度分割模型的研究与改进

    通过在医学图像分割中鼓励一个均匀的潜在空间，可以显著提高潜在密度建模的效果。

    Jul, 2023

  • Im2Pano3D：扩展 360° 视野结构和语义信息

    本论文提出了一种名为 Im2Pano3D 的卷积神经网络，该网络可以仅基于部分观察（<=50%），即 RGB-D 图像，为室内全景视图生成 3D 结构的稠密预测和语义标签的概率分布，其利用大规模合成和实际环境内部场景中学习到的强大的语境先验来实现。

    Dec, 2017

  • 潜在判别确定性不确定性

    该研究提出了一种可扩展的、有效的决策不确定性方法，通过利用区别最大化层，通过任意大小的可训练原型学习鉴别隐藏空间，以解决深度学习在实际中应用时不确定性预测的问题，该方法在图像分类、分割和单眼深度估计任务上超过了深度集合的现有技术。

    Jul, 2022

  • 自动驾驶全景分割鲁棒性的基准测试

    准确的情景感知对于辅助和自动驾驶功能 (AAD) 的安全决策至关重要。全景分割是一种有前景的感知技术，可以在像素级别上识别和分类对象、潜在危险和可驾驶空间。本研究提出了一个统一的流程，评估全景分割模型在 AAD 中的鲁棒性，并将其与传统图像质量进行相关联。

    Feb, 2024

  • EDAPS: 增强型域自适应全景分割

    本文介绍了一种全新的网络架构 EDAPS，它使用共享的、domain-robust 转换器编码器，以方便语义特征和实例特征的联合适应，但还针对域适应的语义和实例分割任务的特定要求设计了任务特定的解码器，从而显著提高了挑战性 panoptic 基准测试的性能。

    Apr, 2023

  • 语义、畸变和风格重要性：面向无源 UDA 的全景分割

    本文提出了一种用于针孔图像到全景图像语义分割的无源无监督域自适应（SFUDA）的新方法，该方法利用了割裂等距投影、固定视场角的损失和全景原型自适应模块（PPAM），以及跨双重注意模块（CDAM），通过提取并转移知识实现域间适应。实验证明，该方法在合成和真实世界基准测试中表现显著优于现有的 SFUDA 方法。

    Mar, 2024