IJCAIJul, 2023

RFENet：面向玻璃分割的特征互进化

PDF
TL;DR本文提出了选择性互动进化（SME）模块，并引入了结构化精细的细化（SAR）模块和反向演化的特征进化网络（RFENet），成功地实现了玻璃样的物体分割，性能优于三个公共数据集。
glass-like objectssegmentationselective mutual evolutionstructurally attentive refinementreciprocal feature evolution network
发现论文，激发创造
  • 玻璃状物体分割的增强边界学习

    本文提出使用增强边缘学习来解决玻璃之类物品的分割问题。通过引入新的微调差分模块和边缘感知点基图卷积网络模块，该方法能够轻松嵌入到各种分割模型中，实现较高的分割精度和清晰度

    Mar, 2021

  • 区域增强的特征学习用于场景语义分割

    本文提出了一种基于区域的特征强化网络 (REFL-Net)，将点云表示为区域来减少计算压力，并设计了以区域为基础的特征强化模块 (RFE) 来提高模糊点的特征表示，实现了强大的长程上下文建模和领域泛化能力。实验结果显示，REFL-Net 在 ScanNetv2 和 S3DIS 数据集上均达到了显著的增益。

    Apr, 2023

  • 多尺度与主要预测指导的玻璃分割

    借鉴比例整合策略和改良方法，我们提出了一种全新的名为 MGNet 的网络，它包括一个 Fine-Rescaling 和 Merging 模块（FRM）来提高提取空间关系的能力，一个 Primary Prediction Guiding 模块（PPG）来更好地从融合后的特征中挖掘剩余语义，并且我们使用一种新的带有不确定性感知损失的损失函数来监督模型生成高置信度的分割地图。与现有的必须在不同设置下训练的玻璃分割模型不同，我们的模型在统一设置下训练，并在三个流行的公共数据集上取得了卓越的性能。可在指定链接获取代码。

    Feb, 2024

  • 少样本语义分割相关内在特征增强网络

    为了减轻先前方法中语义歧义和类间相似性对像素级前景 - 背景分类准确性的限制，我们提出了 Relevant Intrinsic Feature Enhancement Network (RiFeNet)。通过引入一个无标签分支作为高效的数据利用方法，我们提高了前景实例的语义一致性，在测试时，无需额外的无标签数据和计算。此外，我们通过提出新颖的多层原型生成和交互模块扩展了前景和背景之间的类间变化，全局和局部原型之间的不同粒度补充性使得类似类别之间的区分更加明确。RiFeNet 在 PASCAL-5i 和 COCO 基准上的定性和定量性能超过了最先进的方法。

    Dec, 2023

  • 可交互辐射场分割

    本文提出了 ISRF 方法，该方法可以与尝试从 RF 中分割复杂对象的先前分割方法相比，交互性地分割带有细微结构和外观的对象，并可用于新视图合成、多个场景中的对象分割等应用。

    Dec, 2022

  • 基于宽泛接收器的傅里叶边界特征网络用于玻璃分割

    通过提出的 Fourier Boundary Features Network with Wider Catchers (FBWC) 方法，有效利用主要的玻璃语义信息来引导细粒度分割边界，从而清晰划定玻璃所建立的边界，避免将反射表面的特征错误地提取为误报信息，经验证在三种不同的公开玻璃分割数据集上，该方法相比于现有方法在玻璃图像分割方面具有更好的性能。

    May, 2024

  • 面向边缘智能制造的纹理表面缺陷视觉检测特征记忆重排网络

    本文提出了一种新的无监督特征记忆重组网络（FMR-Net）来准确检测各种纹理缺陷，通过提取多尺度特征、对比学习模块（CMFM）、全局特征重排模块（GFRM）来构建正常特征记忆库，采用两阶段的训练策略，使用多模式检测方法来实现缺陷定位，实验证明该方法具有较高的检测精度，适用于边缘计算的智能制造场景。

    Jun, 2022

  • GEM：通过分段多功能模型和数据合成提升玻璃表面分割的简化网络

    通过使用视觉基础模型，我们提出了一个名为 GEM 的简单玻璃表面分割器，该分割器能够自适应地识别玻璃表面特征，并在 GSD-S 验证集上达到了新的最佳性能（IoU+2.1%）。

    Jan, 2024

  • 玻璃表面分割的内外边界注意力融合

    本文提出了一种基于深度学习和语义分割的方法，利用分离的内部 - 外部边界注意力模块，从单色图像中学习和选择性地集成玻璃表面的内部和外部区域的视觉特征，以检测玻璃表面，取得了与其他先进方法相媲美的结果。

    Jul, 2023

  • 多层特征聚合与递归对齐网络在实时语义分割中的应用

    通过引入多级特征聚合和递归对齐网络 (MFARANet)，在实时推理速度下实现高分割准确度；利用 ResNet-18 作为骨干网络并提出三个核心组件来弥补由于骨干网络较浅导致的模型容量不足；在三个基准数据集上进行了综合实验，结果表明我们的方法在速度和准确度之间达到了更好的平衡。

    Feb, 2024