语义分割论文笔记
文章平均质量分 77
本专栏记录一些与语义分割相关的笔记
这就是算法
Talk is Cheap,Show me the code.
展开
-
Lightweight Adversarial Networkfor Salient Object Detection
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言 一、pandas是什么? 二、使用步骤 1.引入库 2.读入数据 总结前言提示:这里可以添加本文要记录的大概内容:例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。提示:以下是本篇文章正文内容,下面案例可供参考一、pandas是什么?示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分原创 2021-08-08 16:44:02 · 290 阅读 · 0 评论 -
TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation
papercode原创 2021-04-07 10:10:01 · 593 阅读 · 0 评论 -
Going Deeper with Nested U-Structure for Salient Object Detection
U2-Net: Going Deeper with Nested U-Structure for Salient Object DetectionAbstractReSidual U-blocks(RSU)中混合了不同大小的感受野,因此能够从不同的尺度捕获更多的上下文信息。由于在RSU blocks中使用了池化操作,因此可以在不显著增加计算成本的情况下增加了整个结构的深度。优点:不需要使用分类网络的骨干网络就可以从头开始训练深层网络。两个模型:U2-Net U2-Net+1.Introduc原创 2020-12-03 20:06:30 · 743 阅读 · 0 评论 -
EfficientFCN
Abstract分割网络的性能和效率都对语义分割很重要。 最新的语义分割算法主要是基于空洞卷积的全卷积网络(dilatedFCN),该网络在骨干网络中使用空洞卷积来提取高分辨率特征图,以实现高性能的分割性能。由于在高分辨率特征图上进行了许多卷积操作,所以基于dilatedFCN的方法会导致较大的计算复杂性和内存消耗。目前的Encoder-Decoder结构的性能无法与DilatedFCN网络相比,本文提出EfficientFCN,主干网络是ImageNet预训练没有(没有空洞卷积),从encoder原创 2020-12-02 22:31:48 · 775 阅读 · 0 评论 -
CascadePSP
CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement Abstract目前的语义分割方法都是针对固定分辨率进行训练的,这些分割方式对于高分辨率的图像分割任务来说是不准确的,因为使用bicubic upsampling无法沿目标边界充分捕获高分辨率图像的细节。作者提出了一种不使用高分辨率训练图像进行训练,而是使用低分辨率图像进行训练以解决高分辨率图像原创 2020-12-02 16:19:19 · 2018 阅读 · 0 评论 -
Lightweight Adversarial Network for Salient Object Detection
Abstract作者提出了一种用于显着目标检测(salient object detection)的轻量级对抗网络,该网络通过进行对抗性训练来实现更高阶的空间一致性,并分别通过轻量级bottleneck block降低了计算成本,从而同时提高了准确性和效率。1.Introduction2.Related Work3.Lightweight Adversarial Network4.Experimental Results...原创 2020-05-21 22:47:23 · 269 阅读 · 0 评论 -
Image Segmentation With 5 Lines 0f Code
原文链接语义分割(Semantic Segmentation)与实例分割(Instance Segmentation)PixelLib:是一个用于在现实生活中轻松实现图像分割的库。 PixelLib是一个灵活的库,可以集成到需要应用图像分割的软件解决方案中。五行代码实现语义分割安装PixelLib以及相关依赖pip3 install tensorflowpip3 install opencv-pythonpip3 install scikit-imagepip3 install原创 2020-05-20 22:30:44 · 237 阅读 · 0 评论 -
Beyond the Pixel-Wise Loss for Topology-Aware Delineation
Abstract1. Introduction2. Related Work2.1. Detecting Linear Structures2.2. Recursive Refinement3. Method3.1. Notation3.2. Topology-aware loss3.3. Iterative refinement4. Results4.1. Quantitat...原创 2020-04-20 23:28:12 · 1033 阅读 · 5 评论 -
Recurrent U-Net for Resource-Constrained Segmentation
1. Introduction目前的语义分割结构倾向于集中于高分辨率和大规模数据集,并依赖于经过预训练的骨干网络(ResNet101)。 这导致较高的GPU内存使用量和推理时间,在需要实时性能的环境下的操作并不理想。 之前的ICNet 之类的架构已解决了这一问题,但代价是性能大幅下降,作者提出了一个新的结构来解决这个问题——Recurrent U-Net。图2 循环分割(Recurrent ...原创 2020-04-19 10:07:29 · 722 阅读 · 0 评论 -
U-Net: Convolutional Networks for Biomedical Image Segmentation
AbstractU-Net使用数据增强技术来更高效的使用大数据样本(比如15001500)可以实时分割,在当时的最新GPU中,512512的分割速度不到1s .1.Introduction在生物医学图像上进行语义分割,通常没法获得像ImageNet数据集那样,数以百万的训练数据集。并且希望有定位(localization)的输出。通过滑动窗口(Unet之前的方法)来进行语义分割(通过提供...原创 2020-04-12 11:47:36 · 1448 阅读 · 3 评论 -
LinkNet with Pretrained Encoder and Dilated Convolution for HighResolution Satellite Image
AbstractD-LinkNet语义分割神经网络它采用encoder-decoder的结构、空洞卷积(dilated convolution)和预训练编码器(pretrained encoder)来完成道路提取任务。该网络采用LinkNet结构,中心部分具有空洞卷积层(dilated convolution)。Linknet结构在计算和存储方面是高效的。空洞卷积是一种在不降低特征图分辨率的前提...原创 2020-04-12 11:26:53 · 737 阅读 · 0 评论 -
Non-local U-Nets
code tensorflowNon-local 由三个部分组成:U-Net、Residual Blocks、Global Aggregation BlockU-Net作者将原始u-net的concatenation -> sum的原因:求和不会增加特征图的数量,因此会减少下一层中可训练参数的数量。具有求和的skip connection可以被视为远程残差连接,可以促进模型的...原创 2020-04-11 23:52:20 · 1151 阅读 · 0 评论 -
Stacked U-Nets with Multi-Output for Road Extraction
Abstract本文提出了一种使用具有多个输出的重叠U-Net(stacked U-Net)进行道路提取的新方法,混合损失函数(hybrid loss function)用于解决训练数据类别不均衡的问题。后处理方法(Post-processing methods)可以提高召回率(road map vectorization and shortest path search with hiera...原创 2020-04-11 23:38:46 · 841 阅读 · 0 评论 -
ANN:Asymmetric Non-local Neural Networks for Semantic Segmentation
code pytorch原始的Non-local Block 结构图1.Abstract标准non-local存在的问题:计算量过大GPU内存占用过高作者提出了用于语义分割的非对称非局部神经网络,它具有两个突出的组成部分:非对称金字塔非局部块(APNB:大大减少了计算量和内存消耗)和非对称融合非局部块(AFNB)。2.Introduction之前的研究表明:如果充分利用远...原创 2020-04-11 23:05:25 · 1397 阅读 · 0 评论 -
CCNet
[code pytorch](t https://github.com/speedinghzl/CCNet)两种基于注意力的上下文aggregation图对于每个位置(例如蓝色),Non-local模块都会生成密集的注意力图,该图的权重为H×W(绿色)。对于每个位置(例如蓝色),criss-cross注意模块会生成一个稀疏的注意图,该图仅具有H + W-1个权重。 循环操作后,最终输出特征...原创 2020-04-11 22:31:04 · 10875 阅读 · 5 评论 -
Pyramid Scene Parsing Network(PSPNet)
code进行场景分析所遇见的问题Pyramid Pooling Module红色表示最粗糙的全局池化层。可以修改金字塔层的数量和每层的大小, 本文的金字塔池模块是一个四层模块,其大小分别为1×1、2×2、3×3和6×6。(b)由带有空洞卷积的预训练resnet网络得到,其大小为输入大小的 1/8Deep Supervision for ResNet-Based FCN上图显示了...原创 2020-04-05 23:37:38 · 289 阅读 · 0 评论 -
Dual Attention Network for Scene Segmentation (#pic_center)
在本文中,我们通过基于自注意力机制捕获丰富的上下文相关性来解决场景分割任务。 与以前的通过多尺度特征融合捕获上下文的工作不同,我们提出了双重注意力网络(DANet),以自适应地将局部特征与其全局依赖性相结合。 具体来说,我们在扩张的FCN之上附加了两种类型的注意模块,分别对空间和通道维度中的语义相互依赖性进行建模。 位置注意模块通过所有位置上的特征的加权总和选择性地聚合每个位置上的特征。相似的特...原创 2020-04-05 09:42:31 · 175 阅读 · 0 评论 -
Fully Convolutional Network for Automatic Road Extraction from Satellite Imagery
Abstract1.Introduction2. Dataset3. Model4. Training5. ConclusionsReferences[1] http://deepglobe.org/.[2] http://ods.ai/.[3] I. Demir, K. Koperski, D. Lindenbaum, G. Pang, J. Huang,S. Basu, F...原创 2020-02-24 18:38:29 · 520 阅读 · 0 评论 -
Road Extraction by Deep Residual U-Net
AbstractU-Net与residual单元结合的优势:(1)residual units可以简化深层网络的训练(2)大量的skip connections促进了信息的传播,可以设计出参数更好性能更好的网络。1.INTRODUCTION道路提取:道路面积的提取和道路中心线的提取道路面积提取前人工作:(1)shape index特征 + SVM【11】(2)使用概率SVM设计多级...原创 2020-02-24 16:43:32 · 4603 阅读 · 6 评论