语义分割
文章平均质量分 77
小天要奔跑
希望能养成看论文习惯的划水侠一只
展开
-
语义分割融合跨特征层信息
简介 语义分割的基本任务是为每个像素产生高层次表达,即具备高语义性的特征,现有的基于FCN网络的编码器-解码器范式,通常需要在Backbone网络后设计一个语义头来增强特征图的语义表达能力,然而CNNs下的卷积池化操作在提取特征的同时丢失了底层的纹理细节。总的来说,编码器-解码器结构下的语义分割网络,高层次特征和低层次特征分布在网络两端,高层次特征具备语义性但丢失低层细节,低层次特征语义性差但细节丰富。此外,在常见的resnet作为基准网络下,不同stage关原创 2021-11-10 15:52:09 · 3174 阅读 · 2 评论 -
Pytorch自定义损失,关于ignore_index的处理
自定义损失 我们知道对于分割任务而言,一般来说会采取交叉熵作为分类损失,但是有的时候我们需要自定义损失,这个时候可能需要自己处理ignore_index。这里简单提一下ignore_index的含义,对于给定的groundtruth,有的label实际上是不会到的,如cityscapes数据集中就设置了一些mask的标签为255,代表着标签为255的像素不会参与训练,也不会参与评价指标的计算。既然不会参与训练,我原创 2021-10-13 16:08:04 · 8697 阅读 · 1 评论 -
Object-Contextual Representations for Semantic Segmentation论文阅读
语义分割目标上下文表示Abstract这篇论文,我们研究语义分割的上下文信息聚合问题。一个像素的标签是该像素属于的目标类别,该方法利用一个像素对应的目标类别的特征表示。首先,在gt分割的监督下学习粗糙的目标区域,其次通过聚合位于目标区域像素的特征表示来 计算目标区域特征表示。最后,计算每个像素和每个目标区域的关系,用目标上下文表示(是所有目标区域特征表示的加权聚合)来增强每个像素的特征表达。代码开源链接:https://git.io/openseg and https://git.io/HRNet.OC原创 2021-05-17 10:48:44 · 271 阅读 · 0 评论 -
Gated Fully Fusion for Semantic Segmentation论文阅读
Abstract深度卷积网络在语义分割任务上是有效的,但是高层次特征的低分辨率导致在小物体和边界上的分割效果较差(需要细节信息)。考虑引入低层次特征去补偿高层次特征丢失的细节信息是很自然的想法,仅仅结合多尺度特征存在着语义间隔问题。这篇文章提出Gated Fully Fusion(GFF)结构,选择性融合多尺度特征,通过融合强语义高层次特征和细节低层次特征提升特征表达能力,gates用来控制有用信息的传播,减少融合时的噪声。Introduction语义分割的基本任务是为每个像素产生高层次表达:高层次和原创 2020-12-25 10:19:48 · 2077 阅读 · 0 评论 -
CCNet: Criss-Cross Attention for Semantic Segmentation论文阅读
CCNet: Criss-Cross Attention for Semantic SegmentationAbstract上下文信息对于语义分割和目标检测任务都很重要,这里提出CCNet。对于每个像素,criss-cross attention模块能获得其交叉路径上所有像素的上下文信息,通过进一步的递归操作,每个像素最终可以捕获全图像的依赖关系。此外,提出类别一致损失使得criss-cross attention模块生成更具判别性的特征。CCNet有以下优点:(1)GPU显存友好,比non-local原创 2020-11-19 15:18:02 · 737 阅读 · 2 评论 -
Joint Semantic Segmentation and Boundary Detection using Iterative Pyramid Contexts论文阅读
简介之前的博客总结有提到过语义分割联合边缘检测进行多任务学习提升性能的思路,Joint Semantic Segmentation and Boundary Detection using Iterative Pyramid Contexts这篇文章也是按照上述思路出发的,但是考虑的任务是语义边缘检测,而不是传统的二值边缘检测,关于语义边缘检测任务可以参考这篇讲解CASENet的博客。语义分割最常用的损失是交叉熵损失,对边界像素这种处于难分状态下的分类效果是不能令人满意的,一方面是因为深度卷积网络的下采样原创 2020-11-09 20:30:56 · 1305 阅读 · 0 评论 -
语义分割联合边缘检测的多任务学习思路总结
简述2020二维图像语义分割的热点方向是域自适应语义分割(Domain Adaptive Semantic Segmentation),半监督/弱监督语义分割(Semi-Supervised/Weakly-Supervised Semantic Segmentation),少样本语义分割(Few-shot Semantic Segmentation)等。基于Encoder-Decoder结构的网络模型已经将语义分割的性能大大提升,相关研究进入了瓶颈期,大家都在思考从实时性、NAS、图卷积、自监督等其他方面原创 2020-11-04 20:26:15 · 10475 阅读 · 2 评论 -
DecoupleSegNets学习总结
论文简介语义分割(Semantic Segmentation)是在像素级上分类,图像中同一类的像素都要被归为一类,语义分割也会被称作场景解析(Scene Parsing)。现有的语义分割方法要么是通过建模全局上下文信息提升目标内部的一致性,要么通过多尺度融合refine目标边界的细节。Improving Semantic Segmentation via Decoupled Body and Edge Supervision,这篇论文认为,突出性能的语义分割要求明确地建模目标主体和边缘,它们对应于图像的高原创 2020-10-10 22:10:11 · 2204 阅读 · 18 评论