Apr, 2023

利用 CNN 进行语义分割（带有 Pascal VOC 数据集）

PDF
TL;DR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。
semantic segmentationpascal voc datasetfcndata augmentationtransfer learning
发现论文，激发创造
  • 使用非常深的全卷积网络进行高性能语义分割

    本文提出了一种基于残差网络的高性能语义图像分割方法，并对不同变体的完全卷积残差网络进行了评估，进一步提出了用低分辨率网络模拟高分辨率网络的方法，引入了在线启动方法以及在一些残差块上应用的传统退化法，取得了在 PASCAL VOC 2012 数据集和 Cityscapes 上最好的平均重叠联合 75 的性能表现。

    Apr, 2016

  • 基于网络图像共分割的弱监督语义分割

    该研究提出了一种使用网络图像和图像级标签进行弱监督下的全卷积网络语义分割的方法，其利用大规模的共同分割框架从网络图像中生成标签，获得了 56.9 的交并比，在语义分割方案中取得了最新的性能。

    May, 2017

  • 语义分割的单次学习

    研究在稀缺数据的支持下，将少样本学习方法拓展到密集语义图像分割中，通过训练网络，产生 Fully Convolutional Network 参数来执行稀缺数据学习。与 PASCAL VOC 2012 数据集中最佳基线方法相比，我们的架构在新语义类的单次分段中展示了相对 25% 的 meanIoU 改进，并且速度至少快 3 倍。

    Sep, 2017

  • 图像语义分割的图卷积神经网络

    基于全卷积网络（FCN）的图形模型 Graph-FCN 用于图像语义分割，将图像网格数据扩展为图形结构数据，然后应用图形卷积网络解决图形节点分类问题，与原始 FCN 模型相比在 VOC 数据集上实现了竞争性的 mIOU 性能提升约 1.34％。

    Jan, 2020

  • 利用先验网络知识学习弱监督语义分割

    本文介绍了一种使用图像标签进行弱监督语义分割的模型，利用图像标注作为注意机制来识别图像中的语义区域，并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中，其中网络同时学习对图像进行分类和分割，实验表明，利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。

    Apr, 2018

  • 基于多区域和语义分割感知的 CNN 目标检测模型

    本文提出一种基于卷积神经网络和语义分割的目标检测系统，利用迭代定位机制，通过高效运用模块来检测物体，并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。

    May, 2015

  • 准确物体检测与语义分割的丰富特征层次结构

    提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN，它与 CNN 结合起来使用更高的上下文信息，加上有监督的预培训方法，实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。

    Nov, 2013

  • 基于卷积神经网络的 Pascal VOC Challenge 2012 数据集图像分类应用

    利用 Amazon Web Services 提供的 GPU 实例，通过卷积神经网络模型，在 Pascal VOC 2012 数据集中实现了 85.6％的验证准确性和 85.24％的测试准确性来对图像进行分类。

    Jul, 2016

  • 全卷积网络用于语义分割

    该研究证明，卷积网络可以通过端到端的训练，从像素到像素地训练，超越先前的语义分割最先进方法，通过自适应大小输入和高效学习来生成相应大小的输出。该研究还详细介绍了全卷积网络的应用于空间密集预测任务，并将 AlexNet、VGG 网和 GoogLeNet 等现代分类网络改进成全卷积网络，并将它们学习到的表示通过微调应用于语义分割任务。最后，该研究提出了一种新的网络架构，将深层次粗糙层和浅层外观信息相结合以生成准确和详细的分割结果，在 PASCAL VOC、NYUDv2 和 SIFT Flow 数据集上实现了最先进的语义分割（2012 年的 mean IU 相较前一方法提高 20％），对典型图像的推理时间仅需三分之一秒。

    Nov, 2014

  • 跨越类别级别和实例级别的语义图像分割

    通过语义类别分割为基础，使用一种深度卷积回归网络来预测像素级的实例边界框，以实现语义实例分割，同时在训练过程中采用在线引导方法来进一步提高语义类别分割和实例级分割的效果，以最终在 PASCAL VOC 2012 数据集上取得最佳结果。

    May, 2016