FarSeg

最新推荐文章于 2022-10-16 12:23:12 发布
最新推荐文章于 2022-10-16 12:23:12 发布
阅读量243 收藏
点赞数
分类专栏： 论文阅读
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/carry_hjr/article/details/115388497
版权

评级

待跑一遍代码后评定

简介

实验室郑卓学长的cvpr2020，感觉应该有点用，之前听他的ppt感觉很有底气

创新

Foreground-Scene Relation Module

Foreground-Aware Optimization

还有些不能算创新点算网络介绍的 多分支编码和解码器设计

看论文故事讲的很好，对网络的介绍也可以写的有公式性，可以学习writing sytle, 看代码倒比较简单

实验结果


不太好说因为对比的结果都是别人论文引用里的，抛开创新在相同的实验trick下进行对比才比较可信，另外速度存疑，不知道测试尺度是多大，感觉deeplab不会只有15fp左右

carry_hjr
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
semseg：常用的语义分割架构结构概述以及代码复现
02-04
塞姆塞格 主 语义图像分割，为图像中的每个对象分配语义标签（例如“道路”，“天空”，“人”，“狗”）的任务能够实现很多新应用，例如Pixel 2和Pixel 2 XL智能手机的初步模式中提供的合成浅景深效果和移动实时视频分割。 引用自 本仓库的开发计划见 下面将初步主要的论文整理表格以供后续进一步总结。 网络实现 FCN（VGG和ResNet的骨干网络），已实现，参考 RefineNet，已实现，参考 DUC，参考 DRN，已实现 PSPNet，参考 ENet，已实现 ErfNet，已实现 EDANet，已实现 LinkNet，已实现，参考 FC-DenseNet，已实现，参考 L
FasterSeg:[ICLR 2020]“ FasterSeg
05-04
FasterSeg：搜索更快的实时语义分割[ ] 陈舞阳，龚新宇，刘先明，张谦，李媛，王章阳 在ICLR 2020中。 概述 我们对斯图加特城市景观演示视频的预测＃0 我们介绍FasterSeg，这是一种自动设计的语义分割网络，它不仅具有最新的性能，而且比当前方法具有更快的速度。 强调： 新颖的搜索空间：支持多分辨率分支。 细粒度的延迟正则化：缓解“架构崩溃”问题。 师生共同搜索：将老师提炼为学生，以进一步提高准确性。 SOTA ：FasterSeg实现了极快的速度（比CityScapes上最接近的手动设计竞争对手快30％以上），并保持了竞争优势。 查看我们提交的Cityscapes。 方法 先决条件 Ubuntu 16.04 的Python 3.6.8 CUDA 10.1（较低版本可能有效，但未经测试） NVIDIA GPU（> = 11G图形内存）+ CuDNN
FarSeg基于遥感图像前后景不平衡优化的分割网络
qq_43534932的博客
08-18 1973
前言 本文基于Foreground-Aware Relation Network for Geospatial Object Segmentation in High Spatial Resolution Remote Sensing Imagery这篇论文进行复现，本篇是基于HSR（高空间分辨）的遥感图像进行的优化，主要是解决遥感图像的前后景不均衡的问题。 如上图所示，本文说出了与自然场景相比，遥感图像的三大挑战 （1）图像大尺度变换 （2）前后景不均衡 （3）大的类内变化 本文的主要网络架构如图所示
遥感影像语义分割论文笔记（一）FarSeg CVPR2020
qq_40905241的博客
04-18 9207
Gamma公式展示 Γ(n)=(n−1)!∀n∈N\Gamma(n) = (n-1)!\quad\forall n\in\mathbb NΓ(n)=(n−1)!∀n∈N 是通过 Euler integral Γ(z)=∫0∞tz−1e−tdt . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞​tz−1e−tdt.
CVPR2020 | FarSeg：武大提出最新遥感图像分割网络，解决前景背景不平衡问题
AI算法修炼营的博客
07-10 5113
点击上方“AI算法修炼营”，选择“星标”公众号精选作品，第一时间送达本文收录于CVPR2020，由武大提出的遥感图像的分割算法，主要有意思的点是：基于关系和基于优化的前景建模的方法来解决...
PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation应用于航空影像的点间流动语义分割
u014496102的博客
02-08 2512
北京大学，中科院大学 摘要 航空影像分割是一个很难的语义分割问题，有几个挑战性的点，是一般的语义分割所没有的，说两点，第一个是前景和背景极端分布的不平衡，另一个点是复杂的背景中包含了多个小目标。这些问题使最近密集连接上下文模型性能变差，甚至和基准比较较差，基准差是因为引入了过量的背景上下文。为了处理这些问题，我们提出了一种点密集传播模型基于特征金字塔网络，命名为点流动。不同于密集连接学习，一个稀疏连接图的产生是通过选择点，这些点是不同邻间特征，这样减少了背景噪声的引入，在保证有效性的同时。我们设计了一个
FarSeg：前景感知关系网络，适用于遥感影像前背景不均衡分割场景
最新发布
m0_63642362的博客
10-16 638
PaddleSeg实现高分辨率遥感影像分割网络FarSeg，iSAID数据集切图训练与评估，已在PaddleRS可用。
ICCV2021｜武汉大学RSIDEA团队提出一种新颖的弱监督遥感变化检测算法STAR
我爱计算机视觉
10-22 1187
关注公众号，发现CV技术之美论文:https://arxiv.org/pdf/2108.07002.pdf项目:https://zhuozheng.top/changestar/代码:...
2020计算机视觉-包揽所有前沿论文源码
热门推荐
江南才尽江南山，年少无知年少狂！
01-07 1万+
大家是否遇到过这种情况，就是在工作或者学习的时候，想去找一些方向的网络，但是呢，尴尬的是，老旧的网络里不想要，前沿的网络又不知道有哪些。为了解决大家的这个困扰，本人决定收集2020年大部分前沿的网络相关链接，之后我会：每周一更新一次（下面是我2019年收集的链接地址）\color{red}{每周一更新一次（下面是我2019年收集的链接地址） }每周一更新一次（下面是我2019年收集的链接地址） 2......
Awesome Semantic Segmentation
Touch_Dream的博客
10-22 2712
Awesome Semantic Segmentation Networks by architecture Semantic segmentation U-Net [https://arxiv.org/pdf/1505.04597.pdf] https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/ 
iSAID: A Large-scale Dataset for Instance Segmentation in Aerial Images
carry_hjr的博客
04-02 1830
简介 https://captain-whu.github.io/iSAID/dataset.html 实验室夏老师他们弄得 ，19年暑假的时候看到同学在弄这个网站，基于DOTA的image 包含了更精细的语义分割标注 和实例分割标注，因为是航拍数据，具有尺度变化性，而且基本都看的清，标的也很精细，感觉还挺有意思的，cvpr2019的workshop 有意思的地方 Dingjian 魔改了下PANet和 MaskRCNN 涨了很多点，不知道除了尺度外改了什么，莫非做了数据均衡 数据分布 面积比较均衡除了sm
毕设看的硕博士论文速记
carry_hjr的博客
04-13 769
值得二刷 徐融 基于 YOLOv3 的小目标检测算法研究 专硕 - iou介绍和改动 南昌大学 快速高效小目标检测网络算法研究 张浩 专硕 - 对目标检测的指标介绍的很好和一些小目标检测的trick 吉林大学 基于深度学习的车辆目标检测_文中 学硕 - R-CNN、Fast R-CNN、Faster-RCNN; Yolo V1-V4的综述 华南理工 基于轻量级卷积神经网络的交通场景目标检测算法研究 李环 专硕 - 对Pelee和ASFF介绍 哈工大 基于深度学习的城市街景实例分割算法研究_黄乐平 专硕
icdar2021 竞赛两个solution阅读
carry_hjr的博客
07-13 637
readme 亏了一波都不知道这个比赛 http://transcriptorium.eu/~htrcontest/MathsICDAR2021/ 每年12月开始 7244 train vs 4028 test，两类，一类是isolated 一类是embeded 2107.05534 数据集难点: size 变化大 ratio变化大 不少字符特别小 无用背景不少 应对方案 针对size变化大，用ATSS 针对部分字符特别小，把FPN默认的3-7改为2-6 | 这会慢不少 针对无用背景少，采用
DenseU-Net-Based Semantic Segmentation of Small Objects in Urban Remote Sensing Images
carry_hjr的博客
03-31 363
个人评价 C 无实用，水创新 信息简介 2019年的 IEEE Access， 桂林电子科技大学 硕士 Xiaoquan Pan，按理这种水刊是不看的，不过目前cite有24 宣称的创新 网络结构 就是把block用dense架构串起来，这种结构应该不如unet+resnet，可能比最原始的unet好一点，感觉不如unet++ 魔改loss 权重由类别频率的中位数 / 频率，然后接了个类focal 大概率不如直接给数量少的权重赋值为2 ...
Semantic Segmentation of Small Objects and Modeling of Uncertainty in Urban Remote Sensing Images
carry_hjr的博客
03-31 325
评级 C 简介 cvpr workshop 2016, Michael Kampffmeyer， 引用量308 创新 median frequency reweight 感觉没什么用，不一定比直接权重加大效果好 网络没什么创新 发现改变阈值可以提高acc 这不废话嘛
Train in Dense and Test in Sparse: A Method for Sparse Object Detection in Aerial Images
carry_hjr的博客
04-07 273
level B: 开源了code - https://github.com/kding1225/TDTS-visdrone，ablation study 也还算扎实，等我跑一遍看看 intro 跑的 VisDrone2019-Det ，对比的是FCOS，精度很低，对应的ICCV workshop官方论文里给的top1是29+，这篇里面的精度是23，对应的top1 找到一篇报导 大致是cascade+dcn+no-local+ensemble，不过现在官网的leadboard给的精度非常高 http://ai
竞赛方案 Find Tiny Instance Segmentation
carry_hjr的博客
04-02 267
评级 B: 有用，针对区域比较集中的数据集 应该有用 简介 wad 2018 的 top1 技术报告，这个比赛 https://www.kaggle.com/c/cvpr-2018-autonomous-driving/leaderboard 数据量很大，而且基本没有钱，基本没什么人参加 创新 主干 Maskrcnn 自定义anchor 8 ∗ [[1, 2], [4, 8], [16, 24], [32, 64], [128, 256]] 涨点明显 coco预训练 数据量太大了，coco预训练收敛快点 F
C: Feature-Fused SSD: Fast Detection for Small Objects
carry_hjr的博客
04-06 175
level C： 大概率没什么用，要有道友跑出效果来请评论 intro icgip 2017 cited by 121 (20210406) 创新 将两个层 的特征进行了 cat 或者 sum 然后参与最后的预测，这种往往是没卵用的，看https://blog.csdn.net/zhangjunhit/article/details/78031452 的评论区 也说实际跑起来没有用 ...
评论
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