图像分割“LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation”

最新推荐文章于 2023-05-20 16:52:59 发布
最新推荐文章于 2023-05-20 16:52:59 发布
阅读量5.3k 收藏 3
点赞数 2
分类专栏： 图像分割 深度学习
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/cv_family_z/article/details/76061007
版权

LinkNet主要特点是速度快，在嵌入式系统TX1和TitanX上运行速度都比较块。
LinkNet网络结构如图1所示：
这里写图片描述

conv代表卷积，full-conv代表全卷积，卷积层之前加BN，后加ReLU，左半部分表示编码，右半部份标识解码，编码块包含残差块，LinkNet使用ResNet-18作为编码器，如下图所示：
这里写图片描述

解码块的细节如下图所示：
这里写图片描述

LinkNet的创新点是将每个编码器与解码器相连接，编码器的输入链接到对应的解码器的输出上。

实验结果
性能对比
这里写图片描述

效果对比
这里写图片描述

cv_family_z
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
四个分割代码(包括unet,fpn,psp,linkenet,和用unet做回归)
04-17
Python代码,内涵五个网络,有安装教程(readme),网络权重.
【图像分割论文阅读】LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation
Ray
06-05 1130
文章由美国普渡大学Abhishek Chaurasia、Eugenio Culurciello共同完成。发表于2017 IEEE Visual Communications and Image Processing (VCIP)，相较之前论文出处，收录文章的会议声名不显。 论文地址:LinkNet: Exploiting Encoder Representations for Efficie...
论文阅读：LinkNet: Exploiting Encoder Representations forEfficient Semantic Segmentation
a486259的博客
07-18 590
个人感觉LinkNet的结构确实可以减少一定的运算量，但是这平平无奇的网络结构能取得较为惊艳的效果，博主认为还是作者的调参能力太强了。因为博主认为LinkNet能取得的效果，Unet一样也可以（两者的网络结构相似度太高了）。作者也在其论文中展示了，无bypass结构时的iou，使用bypass结构后增益极其明显。......
语义分割--LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation
AI小作坊 的博客
07-14 8212
LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentationhttps://arxiv.org/abs/1707.03718Torch7 code: https://github.com/e-lab/LinkNet本文主要侧重语义分割的速度问题，算法思路类似 U-Net，引入了 residual blo
Linknet网络结构
DoctorJMK的博客
12-23 956
Linknet网络结构及如何实现
Smoke-semantic-segmentation:使用 Baseline U-Net 模型和 LinkNet 以及图像增强通过语义分割进行烟雾检测
05-30
该网络基于全卷积网络，其架构经过修改和扩展，可以使用更少的训练图像并产生更精确的分割。 建筑学 图片来源：德国弗赖堡大学计算机科学系 在 Kaggle Airbus 船舶检测挑战中， 使用这个模型从过滤器尺寸 8 开始，...
linknet:链接
03-28
在IT行业中，"linknet:链接"这个标题可能是指一种基于JavaScript技术构建的网络链接管理系统或者框架。JavaScript是一种广泛用于Web开发的编程语言，尤其在客户端脚本方面，它允许开发者实现动态、交互性的网页功能...
Semantic-Segmentation-Review:语义分割论文를评论구현하는仓库입니다
04-03
/ ] SegNet：用于图像分割的深度卷积编码器-解码器体系结构[/ ] RedNet：使用具有对称跳过连接的超深度卷积编码器-解码器网络进行图像还原[/评论] LinkNet：利用编码器表示形式进行有效的语义分割[/评论] SDN：用于...
遥感道路分割网络-包含U-net，D-Unet,Linknet等
最新发布
05-25
遥感道路分割网络是图像处理领域中的一个重要研究方向，其目标是从遥感图像中准确提取道路信息。以下是关于U-net、D-Unet和Linknet等遥感道路分割网络的详细： 1. U-net U-net是一个基于卷积神经网络（CNN）的端到端...
segmentation_models：具有预训练主干的细分模型。 Keras和TensorFlow Keras
02-06
使用segmentation_models库，开发者可以轻松地在图像分割任务中应用深度学习，比如在医疗图像分析中分割肿瘤区域，在自动驾驶中识别道路元素，在遥感图像中区分不同地物等。 6. **代码示例**： 用户可以通过以下...
简单有效的实例分割CenterNet+InstanceFCN
xiexiecn的专栏
05-11 2377
在上一篇博文的基础上，尝试了一种简单有效的实例分割方法，InstanceFCN作为一种全卷积网络的实例（不分类）分割方案，简单有效。CenterNet做分类+bounding box检测，加上一个InstanceFCN实例输出分支，可以实现单阶段分类+bounding box检测+mask输出的有效方案，便于移动端落地。代码:https://github.com/xuduo35/CenterUnet ...
论文阅读笔记二十：LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation(CVPR2017)...
weixin_33675507的博客
11-29 251
源文网址：https://arxiv.org/abs/1707.03718 tensorflow代码:https://github.com/luofan18/linknet-tensorflow 基于Linknet的分割实验：https://github.com/fourmi1995/IronSegExperiment-LinkNet 摘要 像素级分割不仅准确率上有要求，同...
语义分割模型LinkNet介绍
热门推荐
weixin_46415275的博客
11-30 1万+
语义分割模型LinkNet模型提出的背景网络结构实验结果结论GitHub代码链接 LinkNet是2017年CVPR上的一篇论文（论文地址：https://arxiv.org/abs/1707.03718）。由于网上的论文笔记以及讲解不是很清晰，因此决定下载论文自己阅读一下，若有理解错误的地方还请大家指正。 模型提出的背景 作者认为当时的模型主要都是集中在提高模型的精度上，而忽略了模型的效率。在实时语义分割上的研究工作不多。作者提出的LinkNet在提高速度的同时又保证了精度。 网络结构 网络的结构
【语义分割】LinkNet从0到1和代码实现
weixin_40293999的博客
05-04 1783
已经有了U-net了，为什么需要linkNet？unet见这个文章【语义分割】unet结构和代码实现:https://blog.csdn.net/weixin_40293999/article/details/129648032它引入了resNet，主打一个RealTime，实时系统，用于自动驾驶等需要快速返回结果的领域。unet适合医疗诊断等不那么实时的地方。它也借鉴了自编码器的结构。
LinkNet 论文复现
weixin_38651565的博客
05-30 3129
Paper：LinkNet: Relational Embedding for Scene Graph GitHub: linknet-pytorch LinkNet的创新点主要在于以下三个模块： Relational Embedding Module：关系嵌入模块 Global Context Encoding Module：全局上下文编码模块 Geometric Layout Encodi...
Day2-LinkNet用于语义分割-论文阅读及代码理解（1）
Butch3r的博客
02-07 394
LinkNet用于语义分割-论文阅读及代码理解
【图像分割】卫星遥感影像道路分割：D-LinkNet算法解读
兴趣使然的创作者
05-20 4390
毕设的一小部分
论文阅读：Segmentation Transformer: Object-Contextual Representations for Semantic Segmentation
a486259的博客
08-16 1351
论文地址：https://arxiv.org/pdf/1909.11065.pdf发布年份：2021本文研究了语义分割中的上下文聚合问题。由于一个像素的标签是该像素所属的对象的类别，我们提出了一种简单而有效的方法，即对象-上下文表示（ object-contextual representations，OCR），通过利用相应的对象类的表示来描述一个像素。首先，我们在地面真实分割的监督下学习目标区域。其次，我们通过聚合位于对象区域中的像素的表示来计算对象区域表示。...
【语义分割】【总结】Object-Contextual Representations for Semantic Segmentation
序章
06-04 6078
主要贡献 提出了一种新的关系上下文方法，该方法根据粗分割结果学习像素与对象区域特征之间的关系来增强像素特征的描述。 特点： 1.与之前的关系上下文方法（如non-local、dual attention、ocnet等）不同的是对对象进行了区分，学习了像素-对象区域之间的关系 2.可以理解为一种对粗分割的后操作处理 整体结构 将上下文像素划分为一组软对象区域，每个软对象区域对应一个类别，即从深层网络计算出的粗分割。 通过聚合相应对象区域中的像素表示作为每个对象区域的表示。 使用对象上
给我推荐20个比较流行的图像分割模型源码
02-07
好的，下面是我推荐的 20 个比较流行的图像分割模型的源码： 1. Mask R-CNN：https://github.com/matterport/Mask_RCNN 2. U-Net：https://github.com/jakeret/tf_unet 3. DeepLab v3+：https://github.com/tensorflow/models/tree/master/research/deeplab 4. FCN：https://github.com/shelhamer/fcn.berkeleyvision.org 5. SegNet：https://github.com/alexgkendall/SegNet-Tutorial 6. ENet：https://github.com/TimoSaemann/ENet 7. PSPNet：https://github.com/hszhao/PSPNet 8. ICNet：https://github.com/hszhao/ICNet 9. LinkNet：https://github.com/kazuto1011/deeplab-pytorch/tree/master/modeling/backbones/linknet 10. RefineNet：https://github.com/guosheng/refinenet 11. DenseASPP：https://github.com/yanggeng1995/DenseASPP.pytorch 12. GCN：https://github.com/ZijunDeng/pygcn 13. Gated-SCNN：https://github.com/tensorflow/gated-speech-command-classification 14. BiSeNet：https://github.com/zhanghang1989/PyTorch-Encoding 15. DANet：https://github.com/junfu1115/DANet 16. CGNet：https://github.com/leochenfei/CGNet 17. Fast-SCNN：https://github.com/Tramac/Fast-SCNN 18. OCRNet：https://github.com/clovaai/OCRNet 19. DFANet：https://github.com/YuhuiZhou/DFANet 20. BiSeNetV2：https://github.com/zhanghang1989/PyTorch-Encoding 这些图像分割模型的源码都可以在 GitHub 上找到。希望这些资源能帮到你。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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