语义分割
文章平均质量分 89
北流陈新城
深度学习域自适应语义分割
展开
-
多源域适应与协同学习的语义分割
** 多源域适应与协同学习的语义分割 ** 我们首先来看一下本文的摘要:多源无监督域自适应(MSDA)旨在将训练在多个标记源域上的模型适应于未标记的目标域。 本文提出了一种基于协同学习的语义分割多源域适应框架。 首先,引入了一种简单的图像平移方法,对像素值分布进行对齐,在一定程度上减小了源域和目标域之间的差距。 然后,为了充分利用跨源域的基本语义信息,我们提出了一种协作学习方法,用于域自适应,而不需要从目标域中看到任何数据。 此外,与无监督域自适应的设置类似,利用未标记的目标域数据进一步提高域自适应的性能。原创 2021-03-29 21:27:20 · 755 阅读 · 0 评论 -
跨数据协作学习的语义分割(2021CVPR)
**2021CVPR论文之跨数据协作学习的语义分割 我们今天就是要介绍一下这篇文章,我也是花费了一天的时间去看这篇论文,就我个人而言写的很不错,idea和行文方式都值得研究语义分割这一方向的我们学习。链接放下面,可以自取进行学习。 跨数据协作学习的语义分割 首先我们来看这篇文章的摘要:近的工作试图通过探索目标数据集上设计良好的体系结构来提高语义分割性能。 然而,由于不同数据集的固有分布变化,建立一个同时从各种数据集学习的统一系统仍然具有挑战性。 本文提出了一种简单、灵活、通用的语义分割方法,称为交叉数据集协原创 2021-03-27 22:37:02 · 996 阅读 · 2 评论 -
语义分割
语义分割 图像分割分成二个大类即语义分割和实例分割。因为我的研究方向是语义分割方向,所以我现在更的想法就是分享一下我对于语义分割的看法与自己每天看的语义分割论文。其中主要是自己每天会看的顶会论文和GAN方面的论文、 语义分割简单来说就是将不同的物件与物件所处的场景分割开来,同时对于同一物件,还给予了不同的标注。 2021CVPR论文GitHub 图像分割模型的基本架构包括编码器与解码器。编码器通过卷积核提取图像特征。解码器负责输出包含物体轮廓的分割。其中最常见的网络是u-net和DeepLab 。 U-Ne原创 2021-03-26 20:51:39 · 177 阅读 · 0 评论