[CVPR2022|语义分割]NightLab: A Dual-level Architecture with Hardness Detection for Segmentation at Night

已于 2022-05-03 15:35:17 修改
阅读量2.1k 收藏 8
点赞数 3
分类专栏： 文献阅读 文章标签： 人工智能 计算机视觉 学习
于 2022-04-22 22:45:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/TycoonL/article/details/124356504
版权
这篇论文详细探讨了最新的研究进展，涵盖了深度学习、自然语言处理和计算机视觉等多个领域。作者提出了一种创新的算法，该算法在图像识别和文本理解任务上表现出卓越的性能，同时在数据效率和计算资源方面也有所优化。此外，论文还讨论了模型的可解释性和隐私保护策略。
摘要由CSDN通过智能技术生成

论文链接：https://arxiv.org/pdf/2204.05538.pdf

个人阅读见解，欢迎大家交流指正~
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

深度学习论文: A Zero-/Few-Shot Anomaly Classification and Segmentation Method for CVPR 2023 VAND Workshop
mingo_敏
08-14 1188
为了解决工业视觉检测中产品类型的广泛多样性，我们构建一个可以快速适应众多类别且不需要或只需要很少的正常参考图像的单一模型，为工业视觉检测提供更加高效的解决方案。提出了针对2023年VAND挑战的零/少样本跟踪的解决方案。1） 在zero-shot任务中，所提解决方案在CLIP模型上加入额外的线形层，使图像特征映射到联合嵌入空间，从而使其能够与文本特征进行比较并生成异anomaly maps。
CVPR 2021｜DS-TransUNet：Transformer医学图像分割，表现SOTA
李响
03-22 6487
论文标题：DS-TransUNet: Dual Swin Transformer U-Net for Medical Image Segmentation 论文地址：https://arxiv.org/pdf/2106.06716.pdf 文章目录 1 前言 1.1 Transformer 1.2 Swin Transformer结构 2 Hierarchical Feature Representation 3 局部dependency 4 DS-TransUNet：医学图.
CVPR2022自适应/语义分割：Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation
ssshyeong的博客
11-01 2159
域自适应语义分割的目的是在监督源域数据的情况下学习模型，并在未标记的目标域上产生令人满意的密集预测。为解决上述问题，我们建议直接探索目标域数据的内在像素分布，而不是过度依赖源域。具体来说，我们同时对像素进行聚类，并使用获得的聚类分配对标签进行整流。这个过程以在线的方式完成，因此伪标签可以与分割模型共同进化，而不需要额外的训练。为了克服长尾类的类不平衡问题，我们采用一种分布对齐技术，使簇分配的边缘类分布接近于伪标签的边缘类分布。所提出的方法，即类平衡像素级自标记(CPSL)
CVPR2022 | 简单高效的语义分割体系结构
CV技术指南（微信公众号）
08-10 5471
本文提出了一种简单的编码-解码器体系结构，具有类似ResNet的主干和一个小的多尺度头，其性能与复杂的语义分割体系结构（如HRNet、FANet和DDRNets）相当或更好。另外，本文还为桌面和移动目标提供了一系列这样的简单架构。...
【语义分割】2022-HRViT CVPR
wujing1_1的博客
08-08 2311
视觉Transformer(ViT) 因其在计算机视觉任务上的卓越性能而备受关注。为了解决其单尺度低分辨率表示的局限性，先前的工作使 ViT 适应具有分层架构的高分辨率密集预测任务，以生成金字塔特征。然而，鉴于 ViT 的类似分类的顺序拓扑结构，多尺度表示学习在 ViT 上的探索仍然不足。为了增强 ViTs 学习语义丰富和空间精确的多尺度表示的能力，在这项工作中，我们提出了高分辨率多分支架构与视觉Transformer的有效集成，称为 HRViT，推动了密集的帕累托前沿预测任务提升到一个新的水平。作者探索了
【论文速递】CVPR2022 - 泛化的小样本语义分割
智慧地球（AI·Earth）
01-13 2237
语义分割模型的训练需要大量精细标注的数据，很难快速适应不满足这一条件的新类。小样本分割(FS-Seg)通过许多约束来解决这个问题。在本文中，我们引入了一种新的基准，称为泛化的小样本语义分割(GFSSeg)，以分析同时分割具有很少示例的新类别和具有足够示例的基本类别的泛化能力。这是首次研究表明，以往最先进的代表性FS-Seg方法在GFS-Seg中存在不足，其性能差异主要来自FS-Seg的约束设置。为了使GFS-Seg易于处理，
CVPR 2022 | PS-MT：半监督语义分割需要更稳定的一致性训练！
CV_Autobot的博客
08-16 1596
作者|机器学习社区 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/553558981点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【ECCV2022】获取ECCV2022所有自动驾驶方向论文！后台回复【领域综述】获取自动驾驶全栈近80篇综述论文！后台回复【数据集下载】获取计算机视觉近30种数据集...
2018 CVPR之语义分割：CCNet: Criss-Cross Attention for Semantic Segmentation
makabaka的博客
11-01 1602
CCNet: Criss-Cross Attention for Semantic Segmentation 简述： 目前，语义分割的主流方法多为以FCN为基础的网络，它们天生局限于局部接受域和短期上下文信息。由于语境信息的不足，这些限制对基于模糊语言的方法产生了很大的负面影响。随后的带有金字塔池模块的PSPNet来捕获上下文信息同样没有达到预期的效果。本文提出CCNet，利用当前的两个交叉关注模...
论文笔记 | SSA-CNN: Semantic Self-Attention CNN for Pedestrian Detection
你的益达
08-30 3045
出处：CVPR 2019 论文：https://arxiv.org/abs/1902.09080v1 摘要： 行人检测在诸如自动驾驶的许多应用中起着重要作用。我们提出了一种方法，将语义分割结果作为自我关注线索进行探索，以显着提高行人检测性能。具体而言，多任务网络被设计为从具有弱框注释的图像数据集联合学习语义分割和行人检测。语义分割特征图与相应的卷积特征图连接，为行人检测和行人分类提供更多的辨别特征...
ICLR 2022 语言模型驱动的语义分割算法：Language-Driven Semantic Segmentation
梁瑛平的博客
10-14 1256
LANGUAGE-DRIVEN SEMANTIC SEGMENTATION论文地址：主要工作：具体实现：Text encoder：Image encoder：Word-pixel correlation tensor：Spatial regularization：实验结果： 论文地址： ICLR 2022 open review: https://openreview.net/forum?id=RriDjddCLN 主要工作： 本文提出了一种新的语言驱动语义图像分割的LSeg模型。LSeg使用一个文本编码器
【语义分割】【CVPR2022】BAM Note
chowley的博客
02-08 443
近年来，少镜头分割技术得到了广泛的发展。以往的工作大多试图通过分类任务的元学习框架来实现泛化，然而，训练的模型偏向于所见的类，而不是理想的类不可知，从而阻碍了对新概念的识别。本文提出了一种新的、直截了当的观点来缓解这一问题。具体地说，我们在传统的FSS模型(元学习器)上增加了一个分支(基学习器)来明确地识别基类的目标，即不需要分割的区域。然后，这两个学习器并行输出的粗略结果被自适应地整合，以产生精确的分割预测。
#今日论文推荐#CVPR 2022 | 从自注意力中学习语义Affinity，用于端到端弱监督语义分割
w1hsxn的博客
06-20 242
本文是一篇基于弱监督，并且使用 Transformer 来进行端到端的语义分割算法。
NeurIPS 2022 | 基于双重相似度迁移的弱样本语义分割
Paper weekly
10-13 856
©PaperWeekly 原创 ·作者 |陈俊杰学校 |上海交通大学博士生研究方向 |弱样本学习前言弱样本学习（weak-shot learning）和零样本学习、少样本学习类似，把所有种类划分成没有交集的基础种类和新种类。不同的是，基础种类有大量强标注的训练样本，而新种类有大量弱标注的训练样本。我们实验室去年在 NeurIPS 上发表了弱样本图像分类和弱样本目标检测。幸运的是，今年又在 ...
2022-ICLR-Lseg：语言驱动的语义分割
计算机视觉
10-16 577
Lseg
【论文精读】ICLR2022 - 语言驱动的语义分割
智慧地球（AI·Earth）
05-26 1325
我们提出了 LSeg，一种用于语言驱动语义图像分割的新型模型。LSeg使用文本编码器计算描述性输入标签（例如“草”或“建筑物”）的嵌入，以及使用基于Transformer的图像编码器来计算输入图像的每像素密集嵌入。图像编码器通过对比度目标训练以将像素嵌入与相应语义类别的文本嵌入对齐。文本嵌入提供了一种灵活的标签表示形式，在这种表示形式中，语义上相似的标签映射到嵌入空间中的相似区域（例如“猫”和“有毛的”）。这使得LSeg能够在测试时推广到以前未见过的类别，而无需重新训练甚至不需要单个额外的训练样本。
ECCV 2022 | 登顶SemanticKITTI！基于二维先验辅助的激光雷达点云语义分割
TechBeat人工智能社区博客
07-28 1093
一种基于二维图像先验辅助的激光雷达点云语义分割 (2DPASS)
ECCV 2022：跨域小样本语义分割新基准（也提出 PATNet）
李响
11-05 2270
继医学图像处理系列之后，我们又回到了小样本语义分割主题上，之前阅读笔记的链接我也在文末整理了一下。小样本语义分割旨在学习只用几个带标签的样本来分割一个新的对象类，大多数现有方法都考虑了从与新类相同的域中采样基类的设置（假设源域和目标域相似）。然而，在许多应用中，为元学习收集足够的训练数据是不可行的。这篇论文也将小样本语义分割扩展到了一项新任务，称为跨域小样本语义分割（CD-FSS），将具有足够训练标签的域的元知识推广到低资源域，建立了 CD-FSS 任务的新基准。
转载：2022年语义分割大盘点
wuling129的专栏
10-03 459
本篇文章主要是向大家普及下语义分割的一些来龙去脉。
（CVPR，2022）ZegFormer：基于解耦的zero-shot语义分割
最新发布
lalula的博客
03-31 1501
zero-shot语义分割（ZS3）旨在分割训练中未见的新类别。现有工作将 ZS3 表述为像素级zero-shot分类问题，并借助仅使用文本预先训练的语言模型，将语义知识从已见类别转移到未见类别。像素级的 ZS3 表述虽然简单，但却显示出整合视觉语言模型的能力有限，而这些模型通常是用图像-文本对预先训练的，目前在视觉任务中展现出巨大的潜力。受人类经常执行段级语义标注这一观察结果的启发，我们建议将 ZS3 分解为两个子任务1. 无类别分组任务，将像素归入分割区域。2. 对分段进行zero-shot分类。
cvpr2022语义分割
09-09
CVPR 2022 是计算机视觉与模式识别领域的一个顶级学术会议，其中语义分割是一个重要的研究方向。语义分割旨在将图像中的每个像素都分配到预定义的语义类别中。它在许多计算机视觉任务中都起着关键作用，如自动驾驶、...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值