语义分割
纳豆哥哥
What is past is prologue.
展开
-
【语义分割】【总结】Object-Contextual Representations for Semantic Segmentation
主要贡献提出了一种新的关系上下文方法,该方法根据粗分割结果学习像素与对象区域特征之间的关系来增强像素特征的描述。特点:1.与之前的关系上下文方法(如non-local、dual attention、ocnet等)不同的是对对象进行了区分,学习了像素-对象区域之间的关系2.可以理解为一种对粗分割的后操作处理整体结构将上下文像素划分为一组软对象区域,每个软对象区域对应一个类别,即从深层网络计算出的粗分割。 通过聚合相应对象区域中的像素表示作为每个对象区域的表示。 使用对象上原创 2020-06-04 12:41:57 · 6094 阅读 · 1 评论 -
【语义分割】【2019】Object-Contextual Representations for Semantic Segmentation
摘要在本文中,我们解决了语义分割的问题,并将重点放在用于稳健分割的上下文聚合策略上。我们的动机是像素的标签是像素所属对象的类别。我们提出一种简单而有效的方法,即对象上下文表示,通过利用相应对象类的表示来表征像素。首先,我们基于由地面真实分割监督的特征图构造对象区域,然后计算对象区域表示。其次,我们计算每个像素与每个对象区域之间的表示相似度,并使用对象上下文表示来增强每个像素的表示,这是所有对象...原创 2020-06-01 23:00:50 · 5841 阅读 · 1 评论 -
【语义分割】Hierarchical Multi-Scale Attention for Semantic Segmentation
摘要多尺度推理通常用于改善语义分割的结果。 多个图像比例通过网络传递,然后将结果与平均或最大池合并。 在这项工作中,我们提出了一种基于注意力的方法来组合多尺度预测。我们表明,在一定尺度上的预测更适合解决特定的故障模式,并且网络学会在此类情况下倾向于使用这些尺度以生成更好的预测 。 我们的注意力机制是分层的,因此与其他最近的方法相比,其训练内存效率大约高4倍。 除了可以进行更快的训练外,这还使我们可以使用更大的农作物进行训练,从而提高了模型的准确性。 我们在两个数据集上演示了该方法的结果:城市景观和Map原创 2020-07-03 12:43:00 · 4934 阅读 · 3 评论