完全卷积剩余网络（CNN）的深度预测相关的一些项目和问题

depth-from-single image ConvNets :这个仓库包含了用于从单个RGB图像进行完全卷积剩余网络的深度预测的CNN模型。所提供的模型是用于获取报告中的基准数据集for和Make3D的室内和室外场景的结果。 此外，提供的代码可以用于任意图像的推断 。
【1】 中文库和解释链接
【2】论文网址：Deeper Depth Prediction with Fully Convolutional Residual Networks 2016 9月
【3】中文论文阅读网址：(论文阅读)Deeper Depth Prediction with Fully Convolutional Residual Networks

在这个项目里含有卷积剩余网络的深度预测的 indoor和outdoor 的预训练模型，他们的区别只是在于有无天空，户外模型试着找到天空区域，并且使得天空作为最深的层次。

gPb-UCM ：这个仓库实现了两个论文中提到的算法^{1 2} 注意如果使用了代码的话记得引用这两篇论文！
更多信息可以查看这个项目的官网： MCG: Multiscale Combinatorial Grouping ——Fast and Accurate Segmentation and Object Prosals
【1】中文论文笔记:论文笔记（9）：Multiscale Combinatorial Grouping

从gPb-UCM获取seg，label和area的代码（ucm只能得到ucm image）：
获取深度和分割预测的脚本：
查看run_ucm.m 和floodFill.py
seg 和 area 的解释： “Seg” is a region labeling, where pixels in each segment have the same label. “Label” is just a vector of unique values in “seg”. “Area” is the number of pixels in the each segment, where, the i-th “area” corresponds to the segment with the i-th “label”. （我翻译的可能不准确，可以看原文）seg是区域的的分割标签，在每个分割区域里，像素的标签都一样，label是一个在seg里的唯一的向量值，区域area是在每个分割上的像素的数量，在这些区域上，area和分割的label一致。

效果：

在coco集上比较好的结果：
更快和更好的继承结构分割的论文，看：Convolutional Oriented Boundaries
下图为该项目的demo
Holistic Edge Detection ：
这个也已经比较老了，叫做全嵌套层边缘检测，使用了全卷积层神经网络和深层监督网络；效果如图
速度大概是0.4秒每张图，然后ODS F-score也有提升。

---

1. Pont-Tuset J, Arbelaez P, Barron J, Marques F, Malik J, “Multiscale Combinatorial Grouping for Image Segmentation and Object Proposal Generation,” ↩︎

2. TPAMI 2016.Arbelaez P, Pont-Tuset J, Barron J, Marques F, Malik J, “Multiscale Combinatorial Grouping,” CVPR 2014. ↩︎