![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
语义分割
老司机的诗和远方
非1即0!
展开
-
Semantic Segmentation
Semantic SegmentationDeep Dual Learning for Semantic Image Segmentation-2017 [Paper]Segmentation-Aware Convolutional Networks Using Local Attention Masks - 2017 [Paper] [Code-Caffe][Project]Stacke转载 2017-10-26 16:28:13 · 2093 阅读 · 0 评论 -
对抗学习在语义分割上应用
背景问题在图像分割中,现有的模型通常对每个像素的类别进行预测,像素级别的准确率可能会很高,但是像素与像素之间的相互关系就容易被忽略,使得分割结果不够连续或者明显地使某一个物体在分割结果中的尺寸、形状与在金标准中的尺寸、形状差别较大。1、对抗学习对抗学习(adversarial learning)就是为了解决上述问题而被提出的一种方法。学习的过程可以看做是我们要得到一个模型(例如CNN),使得它在一个原创 2017-10-26 16:54:09 · 2891 阅读 · 0 评论 -
FCN全卷积语义分割网络
前言参考FCN论文:Fully Convolutional Networks for Semantic Segmentation FCN作为图像语义分割的先河,实现像素级别的分类(即end to end,pixel-wise),为后续使用CNN作为基础的图像语义分割模型提供重要基础。作者在阅读FCN论文时,遇到不少困难,同时FCN没有多少中文资料(更多是英语翻译),所以作者尽量用浅白的方式转载 2017-11-20 21:14:49 · 2664 阅读 · 0 评论 -
FCN理解
为什么需要FCN? 分类网络通常会在最后连接几层全连接层,它会将原来二维的矩阵(图片)压扁成一维的,从而丢失了空间信息,最后训练输出一个标量,这就是我们的分类标签。 而图像语义分割的输出需要是个分割图,且不论尺寸大小,但是至少是二维的。所以,流行的做法是丢弃全连接层,换上全卷积层,而这就是全卷积网络了。具体定义请参看论文:《Fully Convolutional Networks f原创 2017-11-23 16:41:49 · 2093 阅读 · 0 评论 -
Non-local Neural Networks学习
拟解决问题解决视频处理中时空域的长距离依赖打开了新的方向,文章采用图像去噪中常用的**非局部平均**的思想处理局部特征与**全图特征点**的关系。这种非局部操作可以很方便的嵌入已有模型,在视频分类任务中取得的很好的结果,并在在静态图像识别的任务中超过了何恺明本人ICCV最佳论文的Mask R-CNN。***并且超越CNN***,克服CNN网络过于关注局部特征的缺点。文章主要受到NL-Means在图转载 2017-11-25 15:44:02 · 3492 阅读 · 0 评论 -
ubuntu安装teamviwer
前一段时间Ubuntu下安装teamviewer时遇到了一些麻烦,怎么也安装不成功,后台从官网上查了一些资料,终于安装成功了,下面就是安装过程: 1. sudo dpkg --add-architecture i386 2. sudo apt-get update 3. 在缺少依赖包时需要执行: sudo apt-get -f install转载 2017-11-28 08:55:05 · 1406 阅读 · 0 评论