Dec, 2023

gcDLSeg：将图割集成到深度学习中实现二元语义分割

PDF
TL;DR通过将图割方法与深度学习网络相结合，本研究提出了一种新颖的残差图割损失和准残差连接，实现了有效的特征学习和导向图割分割模型的梯度反向传播，在数据集上验证了良好的分割准确性和对抗性攻击的提高。
binary semantic segmentationgraph-cut approachdeep learningend-to-end learningresidual graph-cut loss
发现论文，激发创造
  • DeepCut：基于图神经网络聚类的无监督分割

    该研究提出了一种基于图神经网络的图像分割方法，相较于现有方法可以隐式地完成部件语义分割，用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。

    Dec, 2022

  • 基于 SAM 引导的图割算法的三维实例分割

    本文通过同时利用 3D 几何和多视角图像信息来解决 3D 实例分割的挑战，引入了一种新颖的 3D 到 2D 查询框架来有效地利用 2D 分割模型进行 3D 实例分割，并通过图切割问题和图神经网络来实现场景的超点图构建和处理。实验结果表明该方法在不同类型的场景中都能实现强大的分割性能和泛化能力。

    Dec, 2023

  • 基于补丁的深度无监督图像分割使用图割

    本研究提出了一种基于图像块的无监督图像分割策略，将深度聚类方法中无监督特征提取的进展与经典基于图形的方法的算法帮助相结合。我们展示了一个简单的卷积神经网络，通过使用图割来迭代地正则化图像块的分类，从而自然地实现了最先进的全卷积无监督像素级分割器。此外，我们证明了这是利用由视觉变换器模型生成的图像块级别对偶特征的理想场景。我们在真实图像数据上的结果证明了我们提出方法的有效性。

    Nov, 2023

  • 面向语义分割的类别动态图卷积

    该论文提出基于类别的动态图卷积网络 CDGCNet，采用类别动态图卷积（CDGC）模块自适应地传递信息，获得了在 Cityscapes，PASCAL VOC 2012 和 COCO Stuff 等三个流行的语义分割基准上的 state-of-the-art 表现。

    Jul, 2020

  • 图分解的端到端学习

    提出了一种基于条件随机场的端到端可训练框架来解决图分解问题，用于图的二值化和特征表示学习，并在 MNIST 和真实世界中的多人姿态估计任务中进行了验证。

    Dec, 2018

  • CG-fusion CAM: 大孔径光学元件激光损伤在线分割

    本文提出了一种基于连续梯度 CAM 及其非线性多尺度融合 (CG-fusion CAM) 的弱监督语义分割方法，通过重新设计梯度的反向传播方式和非线性激活多尺度融合热图，生成了更精细的类激活图，适合不同大小的损伤区域，实验结果表明所提出的方法的分割性能可与全监督算法相媲美。

    Jul, 2023

  • 多切割技术支持的高阶分割

    Multicuts 和 higher-order models 在图像分割和计算机视觉中被广泛应用，在考虑 higher-order terms 的计算插值中，我们提出了一种系统的方法，并对各种算法进行了全面和竞争性的评估，此方法允许计算出一组重要的模型的全局最优解，同时不会影响运行时间，同时还研究了可解的松弛问题和后处理技术。

    May, 2013

  • 深度卷积网络与全连接 CRF 的语义图像分割

    该研究论文结合深度卷积神经网络和概率图模型的方法来解决像素级分类（语义图像分割）任务中深层网络往往无法精确定位目标分割的问题，并通过将深层网络的响应与全连接条件随机场相结合，提出了一种 DeepLab 系统。定量实验表明，该方法在 PASCAL VOC-2012 语义图像分割任务中，IOU 精度可达 71.6％。

    Dec, 2014

  • 基于图学习的双图卷积网络用于半监督节点分类与子图草图

    我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN，并将其应用于半监督节点分类任务，在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率，同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入 GCN，并设计了基于聚类图卷积神经网络的半监督节点分类算法，使 GCN 能够处理大规模图数据并提高其应用价值，在 PPI 数据集（超过 50,000 个节点）和 Reddit 数据集（超过 200,000 个节点）上也表现良好。

    Apr, 2024

  • 快速交互图像分割的边界提案分组

    基于极小测地线框架、自适应切割方法以及基于图的边界提议分组方法，提出了一种新型图像分割模型，实验证明该模型在应用于图像分割上优于最先进的基于极小路径的方法。

    Sep, 2023