语义分割
文章平均质量分 58
放牛娃子
尽量上干货,少说废话,不混篇幅
展开
-
Tesla AI DAY 深度分析(转载)
DAY(1)Tesla AI DAY 深度分析 硬核!EP1 Tesla Vision - 知乎介绍其研发历程和主要技术路线DAY(2)深度解读特斯拉 AI DAY(2)—初识多任务神经网络 HydraNet - 知乎主要介绍其多任务网络HydraNet原创 2022-01-13 14:19:15 · 1038 阅读 · 0 评论 -
ErfNet、BiseNet、BiseNetV2网络结构对比
ErfNet【paper】轻量级实时语义分割经典BiSeNet及其进化BiSeNet v2https://zhuanlan.zhihu.com/p/141692672BieNetBiseNetV2原创 2021-12-31 15:46:33 · 868 阅读 · 0 评论 -
Sharp U-Net: Depthwise Convolutional Network for Biomedical Image Segmentation
论文地址:https://arxiv.org/pdf/2107.12461摘要在医学图像分割任务中,全卷积的U-Net网络被证明是有效的。但是,在U-Net中将skip connections作为融合低层次和高层次卷积特征的方式,不但会导致模糊的特征图,还会造成过分割和欠分割。为解决这个问题,作者提出了一个简单、有效的depthwise encoder-decoder的全卷积网络框架,Sharp U-Net。方法Sharp Blockssharp kernel采用拉普拉斯算子作为原创 2021-07-29 17:32:03 · 546 阅读 · 0 评论 -
深度学习之导向滤波器网络(Guided Filter Module)
Deep Guidance Network for Biomedical Image Segmentation作者提出了一种深度导向网络来分割医学图像。根据导向滤波器的原理,通过导向图像(原始图像的灰度图)使网络进一步提取细节特征。网络结构Guided Filter Module(GFM)实验...原创 2021-04-22 15:58:38 · 2011 阅读 · 4 评论 -
语义分割之损失函数汇总
Wassertein多分类,若采用交叉熵损失,可考虑将Wassertein 距离作为交叉熵损失的一个选择。Wassertein 距离被用来衡量两个分布的相似程度,衡量了把数据从分布“p”移动成分布“q”时所需要移动的平均距离的最小值 。《Severity-Aware Semantic Segmentation with Reinforced Wasserstein Training》做法:对于每一个像素,计算其softmax输出直方图和相应one-hot标签间的wassertein距离。..原创 2021-04-02 16:36:52 · 1591 阅读 · 0 评论 -
语义分割之网络结构
2020HMANetHybrid Multiple Attention Network for Semantic Segmentation in Aerial Images原创 2021-04-02 16:06:36 · 983 阅读 · 0 评论 -
语义分割之IS-Triplet loss
Improving Image co-segmentation via Deep Metric Learning该方法适用于语义分割二分类。算法思想:对于最后用于分类的特征图,作为像素的embed vector,采用度量学习的方式,使类内的embed接近,类间的embed远离。如下图所示,直接在原有语义分割模型上添加IS-Triplet loss。IS-Triplet loss计算过程步骤:随机在前景中采样2次,每次采用K个点,分别构成集合F1和F2.采用同样的方式,在背景中采样原创 2021-03-29 11:08:06 · 433 阅读 · 0 评论 -
一种语义分割损失函数LovaszSoftmax
论文:The Lovasz-Softmax loss: A tractable surrogate for the optimization of theintersection-over-union measure in neural networksGithub:https://github.com/bermanmaxim/LovaszSoftmaxCVPR2018论文提出了LovaszSoftmax,是一种基于IOU的loss,效果优于cross_entropy,可以在分割任...转载 2021-03-18 17:07:48 · 4917 阅读 · 2 评论 -
高效逐帧的视频语义分割方法之Efficient Semantic Video Segmentation with Per-frame Inference
Efficient Semantic Video Segmentation with Per-frame Inferencepaper code摘要对于语义分割,大多数实时的方法都是在单帧图像上训练的,当在视频上测试时,分割结果可能会产生不一致的结果。少数方法考虑了视频流序列图像的相关性,如通过光流利用相邻帧的分割结果做反向传播,或者利用多帧信息提前图像的特征表达,这些方法可能会导致不好的影响。相反的,我们在训练的过程中,额外用一个约束来考虑帧间时序的一致性,在预测的时候,不会增加任何的原创 2021-02-26 10:33:00 · 4024 阅读 · 4 评论