通过结合语义分割和语义感知边缘检测,将类边界显式地融入模型,有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题,从而显著地提高了基于卷积神经网络的语义分割准确度,该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。
Dec, 2016
本文提出了一种联合多任务学习框架,利用迭代金字塔上下文模块(PCM)耦合两个任务来实现语义分割和边界检测,并引入了新的空间梯度融合技术来处理非语义边缘。通过实验证明,该框架不仅在语义分割方面表现出比其他同类方法更优异的性能,还可以有效改善语义分割过程中的边界像素精度。
Apr, 2020
我们提出了一个名为 SSCBM 的新框架,通过在标记和未标记数据上进行联合训练,并在概念层面对未标记数据进行对齐,解决了现有 CBMs 训练中的限制。实验证明我们的 SSCBM 既有效又高效,在仅有 20% 标记数据的情况下,实现了 93.19%(在完全监督设置下为 96.39%)的概念准确性和 75.51%(在完全监督设置下为 79.82%)的预测准确性。
Jun, 2024
本文介绍了一种名为 OBG-FCN 的全卷积神经网络,它能够利用物体边界信息以完成更为精细的语义分割,其在 PASCAL VOC 分割基准测试上得到了显著的优化。
Mar, 2016
本文提出了一种名为 Convolutional Oriented Boundaries (COB) 的方法,该方法通过图像分类卷积神经网络(CNNs)产生多尺度的定向轮廓和区域层次结构,其具有高效的计算性能和显著的识别性能,并且泛化性能也很好。我们在多个数据集上验证了 COB 的性能,并通过与不同任务的结合,如目标提议,语义轮廓,语义分割和目标检测等,证明 COB 在提高多种任务的性能方面也具有良好的效果。
Jan, 2017
本文介绍了第一次尝试使用图像级别的类别标签作为监督来学习语义边界检测的方法,并且提出了一种基于多实例学习的任务形式,在区别不同类别的领域之间通过互相连线代表边界。我们提出的神经网络模型可以可靠地学习估计语义边界,即使是在多实例学习策略的不确定监督下,将其用于生成训练图像的伪语义边界标签,并使用这些标签来训练完全监督模型。最终模型在 SBD 数据集上取得了出色的表现,与一些使用更强监督的模型相当竞争。
Dec, 2022
本文提出了一种基于语义瓶颈网络的深度学习系统,通过引入解释性中间层来解决深度学习模型难以解释的问题,并在街道场景分割探索中展示其可行性和优越性。
Jul, 2019
Mobile-Seed 是一个轻量级的双任务框架,旨在同时改进语义分割性能和准确定位物体边界。通过引入两个编码路径、主动融合解码器和双任务正则化方法,Mobile-Seed 能够动态适应语义和边界信息的融合,并通过正则化损失减轻双任务学习中的冲突。在 Cityscapes 数据集上的实验证明了 Mobile-Seed 相比现有方法,在 mIoU 和 mF-score 指标上分别提高了 2.2 和 4.2 个百分点,并在 RTX 2080 Ti GPU 上以每秒 23.9 帧的速度进行在线推理。该方法在 CamVid 和 PASCAL Context 数据集上的额外实验证实了其普适性。
Nov, 2023
提出了一种新的语义分割方法,即显式地建模图像的高频和低频部分,称为目标的对象内部一致性和对象边界,并采用解耦监督的方法对其进行优化。该方法在四个主要路景场景语义分割基准测试中均表现出了最新的技术水平。
Jul, 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