Jun, 2023

FoSp: 早期烟雾分割的聚焦与分离网络

PDF
TL;DR提出了一种基于 Focus 和 Separation Network（FoSp）的早期烟雾分割方法，通过引入双向级联的 Focus 模块来定位和确定雾霾的范围，使用 Separation 模块将雾霾图像分离成纯雾霾前景和无烟雾背景，提高了分割精度，最终在新的高质量数据集 SmokeSeg 上取得了最佳表现。
early smoke segmentationfocus and separation networkmiss detection ratesmokesegprecision
发现论文，激发创造
  • 深烟雾分割

    本研究提出了一种深度烟雾分割网络，通过使用全卷积网络（FCN）、编码器 - 解码器 FCN、融合添加卷积激活层等多种技术手段，可以高效、准确的从模糊的烟雾图像中分割出高质量的 MASK，实现了对烟雾进行精确定位及检测。

    Sep, 2018

  • SESF-Fuse: 多焦点图像融合的无监督深度模型

    本研究提出了一种基于无监督深度学习模型的多焦点图像融合方法，该方法通过训练编码器 - 解码器网络获得输入图像的深层特征，并使用这些特征及空间频率来衡量活动水平和决策图，最终应用一些一致性验证方法来调整决策图并得出融合结果，与之前的方法相比，该方法分析深层特征中的锐利外观而非原始图像中的锐利外观。实验结果表明，与现有的 16 种融合方法相比，该方法在客观和主观评估中均取得了最先进的融合性能。

    Aug, 2019

  • FSDNet-YOLOv3 和 DenseNet 基础上复杂场景下高效的火灾检测网络

    本研究提出了一种名为 FSDNet 的火灾烟雾检测网络，使用了 CIoU 损失函数和 MS-FS 数据集，并在基本特征提取模块中引入了密集连接结构，以增强骨干网的特征提取能力和缓解梯度消失问题，并在火灾检测模块中引入了空间金字塔池化结构来全面提高火焰特征提取能力。实验结果表明，该方法在两个基准数据集上的精度分别为 99.82％和 91.15％，在 MS-FS 数据集上的平均精度为 86.80％比主流的火灾检测方法更好。

    Apr, 2023

  • F2Net: 基于学习前景关注的无监督视频目标分割

    本文提出了一种新颖的‘Foregraound Network (F2Net)’，使用 Siamese 编码器模块、中心引导外观扩散模块和动态信息融合模块等方法，实现了在深度学习和视频对象分割的领域内的最新成果，提高了分割性能。

    Dec, 2020

  • FESS Loss：优化医学图像分析的特征增强空间分割损失

    医学图像分割中，FESS 损失方法结合了对比学习和 Dice 损失的优势，提高了空间精确性和特征表示，从而增强了医学图像的分割精度，特别适用于医学领域中少量注释数据的情况。

    Feb, 2024

  • 多源融合与自动预测器选择的零样本视频目标分割

    本文提出了一种多源融合网络，通过 interoceptive 空间关注模块和特征净化模块有效地融合多源特征，以及自动选择预测器防止对低质量光流图像产生过度依赖，从而实现了零样本视频对象分割的优异表现。

    Aug, 2021

  • 基于空间融合网络的实时语义分割

    本文提出了一种高效的 CNN 方法 ——MSFNet，它利用类边界监督和多特征融合模块来实现实时语义分割，并在 Cityscapes 和 Camvid 数据集上得到了比现有方法更好的结果。

    Nov, 2019

  • 重访多尺度特征融合在语义分割中的应用

    本文提出了一种使用多尺度特征融合网络和 BiFPN 来进行实时图像语义分割的方法 ESeg，通过扩展传统的多尺度特征空间来实现，不需要高分辨率和昂贵的空洞卷积。实验证明，ESeg 在多个数据集上的表现比先前的方法更准确，并且实时性能得到提升。

    Mar, 2022

  • 基于深度显著性网络的视频烟雾检测

    研究通过使用基于深度显著性网络的新型视频烟雾检测法来提高烟雾的检测精度，并成功利用像素级和目标级显著卷积神经网络来提取信息烟雾显著性图，并使用端到端的框架来进行可靠的烟雾检测和预测。

    Sep, 2018

  • 基于传输引导的贝叶斯生成模型用于烟雾分割

    使用贝叶斯生成模型同时估算模型参数和预测来提高烟雾分割的准确性，在像素距离和透射特征基础上设计了传输引导局部相干损失以学习像素之间的关系，提供了一个高质量的数据集 SMOKE5K，实验结果表明我们的模型实现了准确的预测和可靠的不确定性映射。

    Mar, 2023