![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
实例分割
文章平均质量分 94
学习实例分割的框架
TheTop1
这个作者很懒,什么都没留下…
展开
-
Video Instance Segmentation
Abstract本文提出了一种新的计算机视觉任务——视频实例分割。这个新任务的目标是同时检测,分割和跟踪视频中的实例。这是首次将图像实例分割问题扩展到视频领域。为了便于对这个新任务的研究,我们提出了一个名为YouTube- vis的大规模基准测试,它由2,883个高分辨率YouTube视频、40个类别标签集和131k个高质量实例掩码组成。此外,我们提出了一种新的算法,称为MaskTrack R-CNN的任务。我们的新方法在Mask R-CNN中引入了一个新的跟踪分支,同时执行检测、分割和跟踪任务。最后,我原创 2022-03-19 19:32:56 · 4439 阅读 · 0 评论 -
Feature Pyramid Networks for Object Detection
Abstract特征金字塔是用于检测不同尺度目标的检测系统的基本组成部分。但是最近的深度学习目标检测器避免了金字塔表示,部分原因是因为它们是需要计算和记忆密集型的。在这篇论文中,我们利用深度卷积网络固有的多尺度金字塔结构,以marginal extra cost构建特征金字塔。开发了一种具有横向连接的自上而下体系结构,用于在所有尺度上构建高级语义特征图。这种结构被称为特征金字塔网络(FPN),作为一种通用的特征提取器,在多个应用中得到了显著的改进。在一个基本的Faster R-CNN系统中使用FPN,我们原创 2022-03-17 21:55:39 · 319 阅读 · 0 评论 -
Mask R-CNN
Abstract我们提出了一个概念简单、灵活、通用的目标实例分割框架。我们的方法有效地检测图像中的对象,同时为每个实例生成高质量的分割掩码(mask)。该方法被称为Mask R-CNN,通过添加一个分支来预测目标掩模,并与现有的用于边界框识别的分支并行,从而扩展Faster R-CNN。Mask R-CNN训练简单,只增加了一个小的开销到Faster R-CNN,运行时间为5fps。此外,Mask R-CNN很容易推广到其他任务,例如,允许我们在相同的框架中估计人类的姿势。我们展示了COCO系列挑战赛的所原创 2022-03-16 10:40:00 · 524 阅读 · 0 评论 -
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
Abstract最先进的目标检测网络依靠区域建议算法来假设目标位置。SPPnet[1]和Fast R-CNN[2]等技术进步缩短了这些检测网络的运行时间,使区域建议计算成为瓶颈。 在这项工作中,我们引入了一个区域建议网络(RPN),它与检测网络共享完整的图像卷积特征,从而实现几乎cost-free的区域建议。RPN是一个完全卷积的网络,可以同时预测对象边界和每个位置的对象性分数。RPN经过端到端的训练,生成高质量的区域建议,由Fast R-CNN用于检测。我们进一步将RPN和Fast R-CNN合并成一个原创 2022-03-14 14:13:05 · 4655 阅读 · 0 评论 -
Fast R-CNN
Abstract提出了一种基于区域卷积网络的快速目标检测方法(Fast R-CNN)。Fast R-CNN基于之前的工作,使用深度卷积网络对object proposals进行有效分类。与之前的工作相比,Fast R-CNN采用了多项创新技术来提高训练和测试速度,同时提高检测精度。Fast R-CNN比R-CNN快9倍,在测试时快213倍,在PASCAL VOC 2012上实现了更高的mAP。与SPPnet相比,Fast R-CNN训练VGG16的速度快3倍,测试速度快10倍,更准确。Fast R-CNN原创 2022-03-13 10:57:49 · 1395 阅读 · 0 评论 -
Rich feature hierarchies for accurate object detection and semantic segmentation
Abstract在过去几年中,在标准PASCAL VOC数据集上测量的目标检测性能保持稳定。性能最好的方法是复杂的集成系统,通常将多个低级图像特征与高级上下文相结合。在本文中,我们提出了一种简单且可扩展的检测算法,与之前在VOC 2012上获得的53.3%的平均精度相比,平均精度(mAP)提高了30%以上。 我们的方法结合了两个关键观点:(1)可以将大容量卷积神经网络(CNN)应用于自下而上的区域建议(region proposals),以便定位和分割目标;(2)当标记的训练数据稀缺时,辅助任务的有监原创 2022-03-10 21:21:21 · 1473 阅读 · 0 评论 -
YOLACT论文阅读及解析
YOLACT:Real-time Instance Segmentation摘要本文提出了一个简单的、全卷积的实时实例分割模型,在MS COCO上以33.5fps的速度实现了29.8mAP,且只在一个gpu上训练就得到了这个结果。本文将实例分割分成两个子任务:(1)生成一系列prototype masks(2)预测每个实例的mask系数然后通过将prototype和mask系数线性组合来生成instance masks作者发现这个过程不依赖于repooling,可以产生高质量的masks并且e原创 2022-02-28 16:28:16 · 3731 阅读 · 1 评论