语义分割
文章平均质量分 78
TEn%
因为自己淋过雨,所以想给别人撑把伞。
展开
-
零样本分割系列论文(1)Zero-Shot Instance Segmentation (2021 CVPR)
1. 出处2021 CVPR2. Motivation深度学习在有大量标注数据的实例分割任务中取得了很好的效果。但在医学领域,工业界很难获取到大量的数据,而且标注工作需要具备专业技能的人去做。这就导致这些任务中,未见过的类别,没有有标注的数据。另外,对于open-set实例分割任务,不可能标注所有类别,很多未标注的unseen classes也需要被分割出来。因此,缺乏有标注数据,深度学习方法无法完成这样的分割任务。Zero-shot segmentation面临2个主要挑战:如何对uns原创 2021-12-03 10:43:40 · 3731 阅读 · 0 评论 -
RefineNet: Multi-path Refinement Networks for High-Resolution Semantic Segmentation
1. 出处2017 CVPR2. 问题重复的二次采样操作如池化,卷积会导致图像分辨率快速下降。一种解决方案是使用反卷积作为上采样操作,来生成高分辨率的特征图。反卷积操作无法恢复低维特征,因为已经在前向传播阶段中的下采样操作中丢失了。低维信息对边界和细节的精确预测是至关重要的。DeepLab使用空洞卷积产生大的感受野,不需要下采样图片。这个方法有两个限制:需要对大量的细节(高分辨率)特征图做卷积,计算昂贵。空洞卷积是一种粗糙的sub-sample方式,会丢失重要细节另一种解决方案是利用来自中原创 2021-10-28 16:13:09 · 779 阅读 · 0 评论 -
PSPNet
1. 出处2017 CVPR2. 核心思想整体结构:通过金字塔池化模块将全局上下文信息和PSPNet结合在一起全局先验表示,对于场景解析任务是有效的PSPNet为像素级预测提供了更优秀的框架3. 问题已有的语义分割方法(按这篇文章来说的话,叫做场景解析,scene parsing),无法解决以下问题:FCN把船错分成了汽车,这是由于一些物体有相似的外观。但如果基于先验context来看这张图片的话,就能进行正确预测。当前基于FCN的模型最大的问题在于缺乏合适的策略来利用全局场景类别信息原创 2021-10-28 16:08:50 · 437 阅读 · 0 评论 -
DeepLab系列论文阅读
1. DeepLab v2DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs1.1 出处:2017 TPAMI1.2 问题:降低的特征分辨率多尺度物体的存在由于DCNN不变性,导致降低的定位准确率1.3 主要贡献(Solution):着重强调使用上采样conv或者空洞卷积,而不是使用反卷积deconvolution原创 2021-10-28 16:05:43 · 628 阅读 · 0 评论 -
SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation
1. 出处2015 TPAMI2. 核心思想核心可训练的分割模型包括:encoder, decoder,接着是pixel-wise的分类层decoder用来将低分辨率特征图映射成和输入图片分辨率相同的特征图3. 创新性SegNet的创新之处在于:decoder上采样低分辨率输入特征图的方式。4. 问题已有的方法直接将用于类别预测的深度学习框架用于pixel-wise的标注。尽管结果不错,但仍然很粗糙。主要是因为最大池化和sub-sampling降低了特征图的分辨率。5. 解决方案设计了S原创 2021-10-28 16:01:25 · 1319 阅读 · 0 评论 -
语义分割基础知识
感谢深度之眼提供的课程,以下是学习过程中,整理的笔记。1. 基本概念从影像中推理出相关的语义或知识(从具体到抽象的过程)。用不同颜色把不同目标标注出来,起到断句的作用。2. 概念辨析语义分割 semantic segmentation实例分割 instance segmentation:与语义分割的区别:不关注背景,不需要把背景的物体也一一分割出来,只关注自己对自己重要的部分,比如对于自动驾驶来说,需要把分割行人和骑车的优先级设置高一些,把分割楼房建筑的优先级设置低一些语义分割会把原创 2021-10-28 15:58:24 · 1820 阅读 · 1 评论 -
语义分割入门必读论文
我这里只整理了较早期的论文,最新论文还没阅读,等读到了再来更新。1. FCN出处:2015 CVPR论文:Fully convolutional networks for semantic segmentation2. SegNet出处:2015, 2017 TPAMI论文:Segnet: A deep convolutional encoder-decoder architecture for image segmentation3. UNet(医学图像分割)出处:2015, MEDICA原创 2021-10-28 15:51:54 · 513 阅读 · 0 评论