Oct, 2023

基于 GAN 的深度监督语义分割方法

PDF
TL;DR本研究提出了一种改进的语义分割模型，将对抗学习的优势与最先进的语义分割技术相结合，以捕捉交通图像中复杂而微妙的特征，通过在道路裂缝数据集上与现有方法（如 SEGAN）相比的显著性能提升来证明方法的有效性，提供了更精细和准确的道路结构和状况的表示，为道路裂纹的检测以及智能交通中的交通标志识别、车辆检测和车道分割等广泛应用做出了贡献。
intelligent transportationtraffic safetysemantic segmentationgenerative adversarial networkroad cracks
发现论文，激发创造
  • EL-GAN: 以嵌入损失为驱动的生成对抗网络用于车道检测

    本文提出了一种名为 EL-GAN 的基于生成对抗网络的语义分割框架，通过嵌入损失降低了后处理的复杂度和提高了训练稳定性，应用于 TuSimple 车道线数据集上，效果优于传统方法并达到 96% 以上的准确率。

    Jun, 2018

  • 使用生成对抗网络进行半监督和弱监督语义分割

    本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

    Mar, 2017

  • 针对不平衡数据集的二进制语义分割的生成对抗网络的再探讨

    基于条件生成对抗网络的深度学习框架，用于道路图像中像素级异常区域检测，实现了在多变数据集上高效稳健的最先进结果。

    Feb, 2024

  • 使用生成对抗网络的无监督领域自适应在航空影像语义分割中的应用

    本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

    May, 2019

  • DeepRoad：基于 GAN 的形变自主驾驶系统测试

    本文提出了 DeepRoad，是一个无监督的框架，它可以通过使用生成对抗网络以及对应的现实天气场景，自动生成各种天气条件下的准确驾驶场景，用于测试 DNN 自动驾驶系统的一致性，并在三个认可的 DNN 自动驾驶系统上进行了实验，证明了 DeepRoad 可以检测出数千种行为不一致性。

    Feb, 2018

  • 语义感知渐进式生成对抗网络（Grad-GAN）用于虚拟到真实城市场景的适应性

    本文提出了一种新的基于 SG-GAN 的虚拟到现实领域自适应方法，可以有效地保留关键语义信息以实现更好的识别。实验证明，与现有 GAN 相比，SG-GAN 在场景自适应方面具有更好的性能，使用 SG-GAN 适应的虚拟图像在语义分割上比原始虚拟数据明显提高。

    Jan, 2018

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 基于生成对抗网络的语义图像分割像素级数据增强

    本文介绍如何使用数据增强方法来平衡语义标签分布，提高图像语义分割网络的性能，并使用生成对抗网络来生成逼真的图像以提高图像标签性能。实验结果表明，该方法不仅可以提高低准确度的分类的分割性能，还可以使平均分割准确率提高 1.3％至 2.1％。这种增强方法提高了准确性，可以轻松适用于其他分割模型。

    Nov, 2018

  • 基于语义感知的生成对抗网络在胸部 X 光分割的无监督领域自适应中的应用

    通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

    Jun, 2018

  • 融合 GAN 和纹理合成以增强道路损伤检测

    交通安全和道路维护领域中，准确检测道路损伤对确保安全驾驶和延长道路耐久性至关重要。本研究提出了一种创新的方法，利用生成对抗网络生成具有不同形状的损伤，并通过纹理合成技术提取道路纹理，通过控制合成损伤的严重程度，嵌入到原始图像中，从而实现了损伤严重程度的丰富性和与背景的更好对齐，同时提高了 mAP 和 F1-score。

    Sep, 2023