Segmentation
文章平均质量分 96
恒友成
勿在浮沙筑高台
左脑学习,右脑应用
展开
-
4.Mask R-CNN/YOLOV8/RTMDET三种实例分割方法推理逻辑对比
欢迎访问个人网络日志🌹🌹🌹🌹。原创 2023-10-15 23:38:08 · 2749 阅读 · 1 评论 -
3.经典语义分割网络U-Net论文解读
这是德国弗赖堡大学2015年05月份发表的论文,最早接触U-Net是2017年的时候,现在再回过头来看下这些经典全卷积语义分割网络。截至2023年03月份,这篇文章的引用已经达到了57800多次,从这里可以看出这篇文章在语义分割方向的地位,也能看出AI+CV的热度之高。U-Net网络的提出是为了对医学领域细胞电镜的图像进行分割,这个任务特殊之处在于医学图像获取比较困难,因此只能从小样本数据中学习。作者通过对训练数据进行增强来学习,医学细胞图像多样性没有那么多,但更多的是旋转,尺度,形变和亮度这些。原创 2023-03-08 21:56:09 · 1786 阅读 · 6 评论 -
2.Fully Convolutional Networks for Semantic Segmentation论文记录
是2014年11月的等提交的论文中提出的。论文的主要工作是设计了用于语义分割的全卷积网络结构,能够实现端到端的训练,输出逐像素的稠密预测结果。因为使用了全卷积结构,可以不用限制输入的大小。全卷积网络借用了分类网络的预训练权重,在下采样特征提取部分可以使用分类网络模型的权重。FCN1)将分类网络转换成用于分割任务的全卷积网络2)使用转置卷积进行上采样得到分割输出,不再同以往的方法使用方法3)将低层的空间信息和高层的语义信息相融合,fuse what and where information。原创 2023-03-08 20:30:18 · 680 阅读 · 0 评论 -
(一)STDCNet源码解读
STDCMNet(Short Term Dense Concatenate Network)网络是美团2021年04月27号提交的论文中提出的轻量级语义分割网络,该网络是在基础上的升级改进。STDCNet主要贡献有两点,一方面是对骨干网络backbone的改进,改成了的模块结构,同一个STDC模块中,每个ConvX随着感受野的变大输出的通道数逐渐变少,最后再到一起,因此包含更多的特征尺度信息。另一方面是多分支低阶细节信息辅助训练结构,原创 2022-08-25 01:13:34 · 2673 阅读 · 3 评论