Active Contour
文章平均质量分 85
Active Contour Model 活动轮廓模型:Snake、Level Set Method 等
不吃饭就会放大招
人工智能领域专家博主
展开
-
【实验记录】DeepSnake
官方文档:zju3dv/snake/blob/master/INSTALL.md配置环境前用 确保当前是 cuda9.0,否则在 这一步,如果 cuda 使用了其他版本,那么 这里会报版本错误。【BUG记录-1】执行 时报错:查看 代码,发现路径寻找的是 环境变量,于是查看环境变量:,发现 跟在了最后一个无效路径上。简单粗暴的解决方法就是,,这样就能覆盖掉错误的路径。然后再次执行安装,最后输出如下,说明安装好了。2. 数据准备2.1 Cityscapes1. 下载数据集:leftI原创 2020-04-14 09:42:25 · 1320 阅读 · 6 评论 -
【论文笔记】Deep Snake for Real-Time Instance Segmentation
论文:《Deep Snake for Real-Time Instance Segmentation》,CVPR 2020提出基于目标轮廓(contour-based )的实时实例分割(real-time instance segmentation)算法,称为 DeepSnake。1. 引入圆卷积(circular convolution)用于特征学习比于通常的图卷积(graph convlution)来说,圆卷积更好地利用了目标轮廓是圆形结构(cycle-graph structure)这一事实,更有效地原创 2022-07-06 21:12:51 · 436 阅读 · 0 评论 -
【论文整理】Deep Level Set & Deep Active Contour
End-to-end:[1] Deep Convolutional Level Set Method for Image Segmentation,2017 CVPR代码:https://github.com/wiseodd/cnn-levelset[2] Object Instance Annotation With Deep Extreme Level Set Evolution,2019 CVPR[3] Deep Active Contours,CVPR 2016[4] Learning deep原创 2019-07-15 10:46:00 · 976 阅读 · 0 评论 -
【实验记录】DELSE,CVPR 2019
论文地址:DELSE/zian19delse.pdf论文主页:http://www.cs.toronto.edu/~zianwang/DELSE/delse.htmlGithub:https://github.com/fidler-lab/delseCUDA 9.0cuDNN 7.0.5Python 3.6PyTorch 0.4.0在 CityScapes 数据集上训练1. 数据集设置使用 CityScapes 数据集,下载 文件 [11GB],然后下载官方提供的 CityScapes 标注原创 2019-11-08 10:43:26 · 457 阅读 · 2 评论 -
【论文笔记】DELSE,CVPR 2019
论文地址:DELSE/zian19delse.pdf论文主页:http://www.cs.toronto.edu/~zianwang/DELSE/delse.htmlGithub:https://github.com/fidler-lab/delse解决的问题论文亮点利用 Level Set 做图像分割的优点:实验效果只是简单回顾一下 Level Set,不再详细解释。如果用数学方式表示一条曲线,首先能想到的就是找到一个方程式,给出一个自变量 xxx,对应就能计算得出因变量 yyy 的值,用所有点 (x原创 2019-11-05 21:31:50 · 918 阅读 · 1 评论 -
【论文笔记】CNN-based SemSeg using Level Set Loss
论文地址:https://arxiv.org/abs/1910.00950解决的问题CNN 语义分割网络在池化过程中,特征图分辨率降低CNN 对小物体不敏感对于上述两个问题的常见解决方法:使用 dense CRF 作为后处理在网络结构上添加额外的模块论文亮点方法描述实验效果...原创 2020-03-04 13:20:57 · 1722 阅读 · 2 评论 -
【论文笔记】Deep Extreme Level Set Evolution
Idea:Level Set Method 可以处理形状复杂的对象和拓扑变化,比如合并(merge)和分裂(split),从而能够处理被遮挡的或有孔的目标。而大多数现有的工作只是利用 Level Set 作为后处理步骤来对 CNN 的预测结果进行降噪处理。Point:将 object annotation 看作是 curve evolutionWork:将 CNN 和 Level Set Method 结合在一起,构建 end-to-end 模型。我们的方法学习预测以图像为条件的进化参数,并对预测的初始轮廓原创 2020-03-04 13:16:13 · 378 阅读 · 0 评论 -
【实验记录】DSAC:Learning deep structured active contours end-to-end
论文:Learning deep structured active contours end-to-end,CVPR 2018代码:https://github.com/dmarcosg/DSACPython 3.7Tensorflow-gpu 1.14CUDA 9.0cuDNN 7.0.51)创建虚拟环境:2)依赖安装:测试时报错:解决:安装的 scipy 版本过高,是 1.3.0 的,降级为 1.2.1 版本,直接安装 scipy,就可以覆盖高版本的3)安装 scipy 1.2.1:原创 2020-03-04 13:19:10 · 420 阅读 · 1 评论 -
【实验记录】DSAC:Learning deep structured active contours end-to-end
论文:Learning deep structured active contours end-to-end,CVPR 2018代码:https://github.com/dmarcosg/DSACPython 3.7Tensorflow-gpu 1.14创建虚拟环境:依赖安装:实验数据数据集1: Bing Huts(图像和标签均为 png 格式)原图: 共 606 张(编号 0 ~ 605)Single_mask: 共 606 张(编号 0 ~ 605),只包括中央建筑物的 mask,不考原创 2019-07-30 15:10:08 · 1059 阅读 · 1 评论 -
【论文笔记】DSAC:Learning deep structured active contours end-to-end
论文:Learning deep structured active contours end-to-end,CVPR 2018代码:https://github.com/dmarcosg/DSAC主要工作:语义分割问题的套路是 dense prediction,即对每一个像素点都预测其标签类别,最后得出分割结果。这种分割方法优点是可以提供全局数据信息,比如分割目标的面积(只要看有多少像素点属于该目标);缺点是缺少实例级的预测。CNN 做建筑物分割任务时,通常有较高的检测率,但在空间覆盖和几何正确性方面原创 2020-03-04 13:15:35 · 2221 阅读 · 0 评论 -
对曲线求导(具体实现)
差分(difference)差分反映了离散量的变化,相当于连续函数的微分运算,微分差分其实是一个东西,只不过连续对应微分,离散对应差分。差分运算可以分为 前向差分、后向差分 和 中心差分 三种。设 hhh 为步长,为常数,等距节点 xk=x0+khx_k = x_0 + khxk=x0+kh前向差分xk=x0+kh, (k=0,1,...,n)x_k ...原创 2019-09-23 06:12:54 · 8228 阅读 · 0 评论 -
Active Contour Model & Level Set Method 讲解
Level Set 由应用数学家 Osher 于 1988 年提出,最早用于计算物理中对界面的捕捉。Active Contour Model(ACM) 将分割问题看作了能量最小化问题,Curve Evolution(曲线演化) 就是 ACM 实现分割任务的方法,而 Level Set Method(水平集方法) 是实现曲线演化的方法。1988年,Kass 等人提出了 Active Contour Model(ACM,主动轮廓模型),将图像分割问题转换为 求解能量泛函最小值问题。ACM 的基本思想: 使用连续原创 2019-09-13 09:26:35 · 1465 阅读 · 0 评论