实时语义分割 总结

已于 2023-11-16 01:13:53 修改
阅读量2.7k 收藏
点赞数
分类专栏： 深度学习宝典 文章标签： 算法
于 2021-01-07 14:03:07 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/jacke121/article/details/112308296
版权
本文总结了cvpr2023中的实时语义分割技术，包括PIDNet、RobustVideoMatting人体抠图算法，以及ddrnet、stdc和ENet的相关介绍。RobustVideoMatting利用循环神经网络实现视频抠像，ENet则为一种轻量级的实时语义分割网络，提供高效的实时性能。
摘要由CSDN通过智能技术生成

目录

cvpr2023

RobustVideoMatting 人体抠图

ddrnet

stdc

ENet

cvpr2023

https://github.com/XuJiacong/PIDNet

RobustVideoMatting 人体抠图

RobustVideoMatting：具有时间引导的鲁棒高分辨率视频抠图

训练自己的数据收敛较快，验证集精度不高。

简介： 来自字节跳动最新研究，RobustVideoMatting专为稳定人物视频抠像设计。不同于现有神经网络将每一帧作为单独图片处理，RVM 使用循环神经网络，在处理视频流时有时间记忆。RVM 可在任意视频上做实时高清抠像。在 Nvidia GTX 1080Ti 上实现 4K 76FPS 和 HD 104FPS。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI算法网奇
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
实时语义分割
jacke121的专栏
11-16 2584
论文：DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation github：https://github.com/huaifeng1993/DFANet CVPR2019，旷视科技作品 platform input size batch size inference time /ms rk3399 320*200 1 960 rk3399 2...
LRNNet：轻量级FCB& SVN实时语义分割
3D视觉工坊
07-19 625
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达公众号后台回复「LRNNet」，即可获得论文下载链接。简介：语义分割可以看作是一种按像素分类的任务，它将特定的预定义类别分配给图像中...
【探索实时图像分割新境界】：NanoSAM——轻量化实时版Segment Anything
最新发布
gitblog_00001的博客
06-07 729
【探索实时图像分割新境界】：NanoSAM——轻量化实时版Segment Anything nanosamA distilled Segment Anything (SAM) model capable of running real-time with NVIDIA TensorRT项目地址:https://gitcode.com/gh_mirrors/na/nanosam 在快速发展的计算机...
实时语义分割网络模型-FasterSeg
程序员深度学习
01-14 3265
1. 解决的问题 先前的使用NAS搜索出的语义分割模型推理速度还不够快，且搜索空间有限。如果加入了延迟的限制，搜索出的网络容易出现"崩溃"现象：即模型倾向于低延迟但是准确率也会大打折扣。语义分割要求保留细节和丰富的上下文信息。FasterSeg发现了新的、更广泛的搜索空间，集成了多分辨率分支，为了更好地校准高精度和低延迟目标之间的平衡，提出了一种解耦的、细粒度的延迟正则化方法，解决了模型容易"崩溃"的问题。将FasterSeg扩展为一个共同搜索框架，在同一次运行中同时搜索一个教师和一个学生网络。知识蒸馏进.
Python-ENet一种用于实时语义分割的深度神经网络体系结构
08-11
总结来说，ENet是一种兼顾效率和精度的深度学习模型，特别适合实时语义分割任务。通过Python开发，结合强大的深度学习库，我们可以利用ENet解决各种实际场景中的视觉识别问题。对于希望在资源受限的环境中实现高效...
学习深度学习语义分割总结
04-30
学习深度学习语义分割总结
人工智能-遥感-语义分割-PyTorch实现高分遥感语义分割（地物分类）
07-09
High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch 遥感也许还不能预测未来，但它一定会告诉你过去和现在，以及一步步见证着未来。 Update soon： ... 总结训练步骤、技巧 分享预训练模型
语义分割总结
慕云
03-11 4144
语义分割的目标是根据语义信息对输入图像进行分割，并从给定的标签集中预测出每个像素的语义类别。随着现代生活的逐渐智能化，越来越多的应用需要从图像中推断出相关的语义信息进行后续处理，如增强现实、自动驾驶、视频监控等。本文综述了基于深度学习的语义分割技术的最新进展。由于语义分词需要大量的像素级标注，为了降低标注的细粒度要求和降低人工标注的经济和时间成本，本文对弱监督语义分词进行了研究。为了提高分割模型的泛化能力和鲁棒性，本文研究了语义分割中的领域自适应问题。在一些实际应用中，如自动驾驶和医学图像分析，通常会配备多
Python-实时语义分割算法LightWeightRefineNet
08-11
实时语义分割算法Light-Weight RefineNet
Python-实时语义分割模型集锦
08-11
实时语义分割模型集锦
语义分割神经网络ENet
08-06
语义分割神经网络ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation
实时语义分割模型——BiSeNet
All In AI and Big Data
12-19 1779
主要思想：在语义分割任务中，低阶的细节特征和高阶的语义特征一样重要，但当下的方法为了取得更快的推理速度，往往牺牲掉了低阶特征，从而导致精度的严重下降。因此作者提出了一个由两条分支组成的网络架构，分别是细节分支和语义分支。细节分支中特征图的channel数较少，而分辨率较高，有利于提取图像上的边缘、角点等细节信息；语义分支中特征图的channel数较多，而分辨率较低，有利于提取高层的语义特征。最后再通过作者设计的Guided Aggregation Layer对两者所提取的特征进行聚合。 网络结构： De.
计算机视觉——实时语义分割ENet算法原理与模型训练
知来者逆的博客
04-11 2645
ENet所提出的这一创新神经网络架构，专为语义分割任务量身打造，其核心设计理念在于充分发挥嵌入式设备上有限资源的潜力。在这一目标的指引下，ENet的工作取得了显著的成效，不仅成功实现了与现有技术相比更为高效的计算性能，而且在某些情况下，还实现了与之相匹配甚至更优的结果，即便这些现有技术对计算能力和内存的需求远高于ENet的设计。
实时语义分割调研
清欢
08-05 4575
文章目录0. 前言1. 语义分割概述2. 一些总结3. 论文浏览3.1 ENet3.2 ICNet3.3 BiSeNet3.4 CGNet3.5 DFANet3.6 Fast-SCNN3.7 BiSeNetV23.8 HyperSeg3.9 Rethinking BiSeNet For Real-time Semantic Segmentation 0. 前言 实时语义分割（real-time semantic segmentation），目标是能实时跑在CPU上。 本文调研的基本都是普通的语义分割方法，
语义分割之ENet
年轻即出发，
05-28 9745
论文：ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation 代码：https://github.com/TimoSaemann/ENet 论文提出了新的语义分割模型ENet (efficient neural network)，相比SegNet，速度提升18倍，计算量减少75倍，参数...
【论文阅读--实时语义分割】BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation
magic_ll的博客
12-20 2091
在当前的计算机视觉领域，语义分割是一项基本任务，比较常见的就是deeplab系列。deeplab 系列是 谷歌公司 完成的，包括了deeplabv1 (2015)、deeplabv2 (2017)、deeplabv3 (2017)、deeplabv3+ (2018)，其中deeplabv3+效果最好。但效果好的同时，一般模型计算量较大，推理时间无法达到实时。 这部分的内容记录在本人博客专栏中 https://blog.csdn.net/magic_ll/category_10568836.html
BiSeNet - 轻量级实时语义分割
m0_59056870的博客
09-12 7179
在语义分割领域，由于需要对输入图片进行逐像素的分类，运算量很大。通常，为了减少语义分割所产生的计算量，通常而言有两种方式：减小图片大小和降低模型复杂度。减小图片大小可以最直接地减少运算量，但是图像会丢失掉大量的细节从而影响精度。降低模型复杂度则会导致模型的特征提取能力减弱，从而影响分割精度。所以，如何在语义分割任务中应用轻量级模型，兼顾实时性和精度性能具有相当大的挑战性。
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

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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