语义分割
文章平均质量分 91
AICVHub
计算机本硕/高级算法工程师/数据分析师/算法架构师/人工智能领域优质创作者/CSDN博客专家,专注人工智能领域知识分享,从paper解读、原理解析,到算法落地与工程应用;领域包括:机器学习/深度学习/计算机视觉/结构化数据分析与挖掘;topic包括但不限于:图像分类、图像识别、目标检测、图像分割、图像检索等;擅长从工程角度解决业务痛点,曾负责多项大型AI项目落地。
展开
-
PP-MobileSeg: 探索移动设备上又快又准的语义分割模型
transformer在CV领域的成功之后,出现了很多在移动设备上使用它们的尝试性工作,但是这些工作在某些实际应用中的表现仍然不能令人满意。为了解决这个问题,本文提出PP-MobileSeg——一个在移动设备上达到SOTA的语义分割模型。包含了4个stage的StrideFormer backbone 由MV3块和SEA注意力模块构建,能够以最小的参数量提取丰富的语义信息与细节特征;AAM则首先通过语义特征集成投票过滤细节特征,然后将它们与语义特征相结合以增强语义信息;原创 2023-10-30 14:46:37 · 755 阅读 · 0 评论 -
SegNeXt: 重新思考基于卷积注意力的语义分割
重新设计基于CNN的语义分割,超越Transformer。原创 2022-09-22 20:00:00 · 6331 阅读 · 0 评论 -
手把手实战教学,语义分割从0到1:三、推理
本篇博客,是《手把手实战教学!语义分割从0到1》系列的第三篇实战教学,将重点介绍语义分割推理部分。本系列总的介绍,以及其他章节的汇总,见:https://blog.csdn.net/oYeZhou/article/details/115123589。目录1、工程上进行推理的要素2、构造推理工程2.1、保留必要的内容2.2、编写推理class2.3、单图推理2.4、批量推理3、写在后面1、工程上进行推理的要素不管是语义分割还是目标检测或者其他的任务,我们要想在工.原创 2021-04-22 09:36:20 · 2587 阅读 · 4 评论 -
手把手实战教学, 语义分割从0到1:二、使用自己的数据集进行模型训练
《手把手实战教学!语义分割从0到1》系列的第二篇实战教学:使用自己的数据集,训练一个语义分割模型原创 2021-04-21 10:18:23 · 6959 阅读 · 20 评论 -
手把手实战教学!语义分割从0到1:一、数据集制作
本篇博客,是《手把手实战教学!语义分割从0到1》系列的第一篇实战教学,将重点介绍语义分割相关数据集,以及如何制作自己的数据集。原创 2021-03-30 11:19:39 · 17254 阅读 · 53 评论 -
手把手实战教学,语义分割从0到1:开篇
手把手教学!从0开始,一步步教你入坑语义分割!原创 2021-03-30 11:18:24 · 6332 阅读 · 2 评论 -
Strip Pooling:提出一种长条形的池化核
本文主要是提出了一种新的池化方法——条纹池化,其通过长而窄的池化核可以建模长距离依赖关系。基于这种池化方式,设计了两个模块:条纹池化模块SPM用于增加backbone的感受野、混合池化模块MPM用于同时捕获长、短距离的上下文信息。原创 2021-03-20 16:36:59 · 2755 阅读 · 0 评论 -
SETR:将transformers用于语义分割
SETR作为transformer入侵语义分割领域的一个战果,其通过使用transformer代替encoder,从而获取大感受野以充分建模全局上下文信息。这篇博客是SETR的通读与大意翻译。原创 2021-03-11 09:10:12 · 7199 阅读 · 0 评论 -
GFF: 北大等提出的门控全融合语义分割
总的来说,本文提出了GFF和DFP模块,分别进行有效的信息融合与上下文建模。基于PSPNet的结构,添加两种模块提升了网络的分割性能,达到SOTA。原创 2021-03-07 08:42:07 · 3710 阅读 · 1 评论 -
CPNet:使用了上下文先验的场景分割
最近的研究广泛探索了利用上下文依赖关系提高分割准确率的方法。然而,很少有研究区分不同类型(类内、类间)的上下文依赖,这对场景理解是不利的。本文直接监督特征聚合的过程,以明确区分类内、类间的上下文。具体的,提出了一个带有亲和损失(Affinity loss)的上下文先验层(Context Prior Layer),Affinity Loss构造了一个理想的Affinity map来监督上下文先验知识的学习。原创 2021-02-08 15:35:59 · 1312 阅读 · 2 评论 -
ExFuse:旷视提出的用于语义分割的增强特征融合
由旷视提出的ExFuse框架,以U-Net变种之一GCN为基础通过对特征融合进行增强,达到了当时的SOTA,超过DeepLabV3+。提出的模块有:LR、SS、SEB、ECRE、DAP。原创 2021-02-03 08:55:26 · 2541 阅读 · 5 评论 -
CCNet:交叉注意力语义分割
为了解决Non-local中自注意力模的的计算复杂度过大的问题,提出了CCA模块以及RCCA模块,既降低了计算复杂度,又降低了内存的使用率,并以此模块为基础构建了CCNet网络原创 2021-01-31 20:37:27 · 7570 阅读 · 7 评论 -
HRNetV2:融合所有分辨率的特征
HRNetV2论文阅读笔记原创 2021-01-25 14:13:24 · 1950 阅读 · 0 评论 -
GCN:使用大卷积核+全局卷积来改进语义分割
本文主要是通过分析分类和定位任务之间的矛盾,提出了GCN模块使用大卷积核来解决。消融实验表明,该结构能够很好的平平衡有效感受野和参数量,同时达到很好的效果。并为了进一步细化边界,提出了边界细化模块(BR)。该文通过类似深度可分离卷积的方式,既获得了大感受野,又平衡了参数量,并融合了多尺度信息,是一个不错的语义分割思路。原创 2021-01-17 19:46:59 · 3070 阅读 · 5 评论 -
PSPNet:金字塔场景解析网络
PSPNet的提出,主要是针对复杂场景的分割。其主要贡献是提出使用PPM来聚合全局上下文信息,并提供了在基于ResNet的FCN网络中使用辅助损失进行训练的策略。原创 2021-01-13 10:23:36 · 1277 阅读 · 0 评论 -
SegNet:编解码器结构的语义分割深度卷积网络
论文地址:https://arxiv.org/pdf/1511.00561目录1、摘要2、网络结构及其细节3、总结1、摘要提出了一种新颖使用的用于像素级语义分割的深度全卷积神经网络结构,称之为SegNet。这个核心可训练的分割引擎由一个编码器、对应解码器和一个像素级分类层组成。编码器网络的结构在拓扑结构上与的13个卷积层的VGG16网络相同。解码器网络的作用是将低分辨率编码器特征映射到与输入分辨率大小的特征,以便进行像素级分类。SegNet的新颖之处在于解码器对其低分辨率输入特..原创 2021-01-10 09:41:02 · 2794 阅读 · 0 评论 -
解析DeepLabv3+的网络结构及代码【Pytorch版】
主要结合DeepLabv3+的网络结构和开源代码进行了对照解析。通过对网络结构中的每一块的作用及其代码实现中的细节进行了解,就能够对该网络模型有一个宏观和微观上的把握。原创 2021-01-16 15:15:30 · 31199 阅读 · 23 评论 -
DeepLabV3+: 在DeepLabV3基础上引入了Decoder
DeepLabv3作为Encoder提取特征,上采样后与backbone中间的低级特征以concat的方式融合,然后利用3*3卷积获得细化的特征,最后再进行上采样恢复到原始分辨率;在backbone部分,使用可分离卷积改进了Xception。原创 2021-01-16 08:46:53 · 4998 阅读 · 0 评论 -
U-Net:用于生物医学图像分割的卷积网络
U-Net论文阅读笔记:记录了U-Net的网络结构以及相关的主要知识点原创 2021-01-08 11:19:58 · 576 阅读 · 0 评论 -
FCN:语义分割领域全卷积深度学习开山之作
深度学习语义分割开山之作,首次将有监督的预训练特征表示用于端到端语义分割,在分类网络的基础上,去掉全连接层,替换为反卷积上采样,得到与原图大小一致的上采样feature map,从而实现像素级的预测。原创 2021-01-05 20:03:12 · 628 阅读 · 0 评论