语义分割
文章平均质量分 83
jiyeyong
AI算法工程师,本人微信:woxinxie1234,欢迎一起讨论。
展开
-
17-WILDCAT-Weakly-Supervised-Learning-of-DeepConvNets
who(对谁有效)弱监督图像语义分割where只有图像级标签的数据whenCVPR 2017what(WILDCAT是什么)这篇论文提出了一个框架,可以使用弱监督的方法识别一个物体显著的局部特征。首先我们来直观感受下结果,如下图所示,WILDCAT可以识别狗的头部和腿部信息,从而利用这些信息来对狗进行Localization和segmentation.结构...原创 2018-12-23 14:47:22 · 1300 阅读 · 0 评论 -
18-Weakly-Supervised-Semantic-Segmentation-by Iteratively-Mining-Common-Object-Features
whenCVPR 2018who(影响了谁)图像标签监督下的弱监督语义分割是一项具有挑战性的任务,因为它直接将高级语义与低级别外观相关联。为了弥合这一差距,在本文中,我们提出了一个迭代的自下而上和自上而下的框架,它可以扩展对象区域并优化分割网络。why(为什么提出)弱监督的语义分割非常具有挑战性,因为它直接将高级语义与低级别外观相关联。 由于只有图像标签可用,因此大多数先前的工...原创 2018-12-30 16:57:08 · 454 阅读 · 0 评论 -
18-Weakly-Supervised-Semantic-Segmentation-Network-with-Deep-Seeded-Region-Growing
whencvpr18what本文研究了仅使用图像级标签作为监督来学习图像语义分割网络的问题,这一点很重要,因为它可以显着减少人类的标注工作。最近关于该问题的最新方法首先使用深度分类网络推断每个对象类的稀疏和鉴别区域,然后使用鉴别区域作为监督来训练语义分割网络。在种子区域扩展的传统图像分割方法的启发下,我们提出从鉴别区域开始训练语义分割网络,逐步增加种子区域扩展的像素级监督。种子区域...原创 2018-12-30 17:02:06 · 2628 阅读 · 0 评论 -
Learning-Pixel-level-Semantic-Affinity-with-Image-level-Supervision
paperwhencvpr18,目前top榜第一。有代码。who基于像素级标签的图像语义分割why 提出分割标签的不足是在自然环境中使用语义分割的主要障碍之一。为了解决这个问题,我们提出了一种新颖的框架,可以根据图像级别的标签生成图像的分割标签。在这种弱监督的环境中,已知训练的模型将局部鉴别部分而不是整个对象区域分割。我们的解决方案是将这种定位响应传播到属于同一语义实...原创 2019-01-04 16:16:36 · 8053 阅读 · 8 评论 -
Revisiting-Dilated-Convolution-A-Simple-Approach-for-Weakly-and-Semi-Supervised
when魏云超组的18年cvpr spotwho弱监督语义分割问题的新方法,用扩张卷积得到注意力图,可能能够在GAIN的大框架上面修改why 提出尽管弱监督分割方法取得了显着的进步,但仍然不如全监督的方法。我们认为性能差距主要来自他们学习从图像级监督产生高质量密集对象定位图的限制。为了弥补这种差距,我们重新审视了空洞卷积[1]并揭示了如何以一种新颖的方式利用它来有效地克服弱...原创 2019-01-05 15:23:54 · 837 阅读 · 2 评论 -
18-Learning-a-Discriminative-Feature-Network-for-Semantic-Segmentation
whenCVPR 2018what在大量的计算机视觉应用中,语义分割是一项不可或缺的底层技术。旷视科技Face++近期发表的一篇 CVPR 2018 收录论文《Learning a Discriminative Feature Network for Semantic Segmentation 》提出判别特征网络 DFN,有效解决了语义分割的两个基本问题,显著提高了其精度,可以帮助...原创 2019-01-17 13:30:43 · 497 阅读 · 0 评论 -
18-CCNet-Criss-Cross-Attention-for-Semantic-Segmentation
how下图蓝色点为待处理像素点 ,处理后得到结果为红色点 :(a)是Non-local,含蓝色中心的feature map是输入,分为上下两个分支处理:深绿色分支代表已经完成Non-local操作,得到了 (绿色的深浅则代表了当前位置与蓝色中心点的相关性大小);下面灰色分支代表进行了 操作。将两个结果相乘,得到 (含红色中心的feature map).(b)即为CC...原创 2019-01-13 10:21:44 · 2756 阅读 · 3 评论 -
18-DenseASPP-for-Semantic-Segmentation-in-Street-Scenes
whenCVPR 2018what使用扩张卷积(Atrous Convolution)能够在不牺牲特征空间分辨率的同时扩大特征接收野,DeepLab系列工作结合多尺度信息和扩张卷积的特点提出了ASPP模块,将不同扩张率的扩张卷积特征结合到一起。ASPP模块在尺度轴上特征分辨率还不够密集,获取的接收野还不够大,为此提出了DenseASPP(Densely connected ASP...原创 2019-01-13 13:20:57 · 788 阅读 · 1 评论 -
Encoder-Decoder-with-Atrous-Separable-Convolution-for-Semantic-Image-Segmentation
whenECCV 2018what空间金字塔池模块或编码 - 解码器结构用于深度神经网络中解决语义分割任务。前一种网络能够通过利用多个速率和多个有效视场的过滤器或池化操作探测输入特征来编码多尺度上下文信息,而后一种网络可以通过逐渐恢复空间信息来捕获更清晰的对象边界。在这项工作中,我们建议结合两种方法的优点。具体来说,我们提出的模型DeepLabv3 +通过添加一个简单而有效的解码...原创 2019-01-16 12:56:43 · 6879 阅读 · 1 评论 -
16-STC_A_Simple_to_Complex_Framework_for_Weakly-supervised_Semantic_Segmentation
主要思想作者的核心思想是提出了层层递进的三个DCNN,用前一个CNN的结果来作为下一个CNN的结果。具体来讲,作者一共训练了三个网络:Initial DCNN、Enhanced DCNN和Powerful DCNN。分别解释如下:Initial DCNN:其实可以把它当作是一个有显著性检测功能的CNN,但“它”能够知道显著性的物体是什么。具体实现是由DRIF方法生成Saliency M...原创 2018-12-23 10:48:40 · 249 阅读 · 0 评论 -
16-Seed_expand_and_constrain Three_principles_for_weakly-supervised_image_segmentation
概括Seeding Loss——对目标进行弱定位(weak localization)生成初始maskExpansion Loss——对弱定位的mask进行合理的扩大Constrain-to-boundary Loss——对扩大后的mask进行合理的约束,更贴近目标边界因此将该方法命名为SEC(Seed + Expand + Constrain)创新图像分类神经网络,例如Alex...原创 2018-12-22 16:01:16 · 403 阅读 · 0 评论 -
《Learning_object_interactions_and_descriptions_for_sematic_image》论文阅读
动机本文主要是从训练数据的角度来提升CNN分割性能的。由于像素级别标记的样本很少,制作样本成本高。这里直接根据关键词从网络上搜索相关图像,建立了一个数据库 IDW, 结合 VOC12上面的训练数据联合训练,对此设计了一个 IDW-CNN 模型,经过联合训练得到的模型用于分割,性能提升比较大。贡献这是首次将图片描述在不经过手动处理和提炼的情况下用于提高语义分割性能的尝试,IDW数据集包...原创 2018-11-06 15:52:56 · 165 阅读 · 0 评论 -
语义分割框架网络系统整理
欢迎转载,如果有ai方面技术交流群也可以随时加我: woxinxie1234,这是我的微信;欢迎交流;原创 2018-11-09 12:55:45 · 471 阅读 · 0 评论 -
《18.Context Encoding for Semantic Segmentation》
语义分割–(EncNet)Context Encoding for Semantic Segmentation动机扩张卷积存在的问题先进的语义分割系统通常是基于FCN架构,采用的深度卷积神经网络受益于从不同图片中学习到的丰富的对象类别信息和场景语义。CNN通过堆叠带非线性激活和下采样的卷积层能够捕获带全局接受野的信息表示,为了克服下采样带来的空间分辨率损失,最近的工作使用扩张卷积...原创 2018-11-09 17:01:07 · 288 阅读 · 0 评论 -
《Understanding Convolution for Semantic Segmentation》论文阅读笔记
语义分割–Understand Convolution for Semantic Segmentation动机1. 编码部分的问题对于编码部分,空洞卷积由于其可以增大感受野、控制分辨率从而消除了下采样的需要。但是空洞卷积固有的问题就是gridding现象,因为卷积核中间加入了0(空洞),感受野只获取了非0区域的信息,丢失了一些邻居(局部)信息。当rate逐渐增大,这个问题越来越严重,...原创 2018-11-04 13:17:54 · 435 阅读 · 0 评论 -
《Context Contrasted Feature and Gated Multi-Scale Aggregation for Scene Segmentation》论文阅读
动机第一个工作的动机,(context contrasted local (CCL) model )作者认为获得有判别力的语义特征以及多尺度融合是提升性能的关键;上下文通常具有平滑的表示,并且由显着对象的特征支配,这对于标记不显眼的对象和东西是有害的。用于场景分割的更好的特征是有区别的情境感知局部特征,即,在知道上下文信息的同时,像素位置p的特征将不被图像的其他部分支配。第二个...原创 2018-11-07 14:12:20 · 1672 阅读 · 0 评论 -
16-FCNs in the Wild- Pixel-level Adversarial and Constraint-based Adaptation
如果训练集和测试集数据没有假设的特性,则直接测试,如果有,那么可以先学习数据间的域变换特性,然后辅助分割。动机当训练数据与测试数据不同域的时候,以前的方法很差提出了无监督对抗方式对像素预测问题,包括全局和类别特别的适应技术,假设源域和目标域共享相同的标签空间,并且源模型在目标域上实现的性能大于机会。创新提出无监督域适应方法来迁移FCN结果的图片域;组合全局和局部对齐方...原创 2018-12-13 16:17:44 · 1668 阅读 · 1 评论 -
18-Effective Use of Synthetic Data for Urban Scene Semantic Segmentation
动机以前的方法(DeepLab)在合成数据训练,在真实数据上不好之前使用了domain adaptation解决,但是需要再训练中使用真实数据我们提出一种方法,基于背景和前景在domain adaptation中影响不同,我们使用不同方法对待;方法有细节信息的不同背景类对实际场景很重要;框架...原创 2018-12-09 10:34:20 · 248 阅读 · 0 评论 -
18-Object Region Mining with Adversarial Erasing
CVPR 2017-oral背景图像语义分割是计算机视觉领域的核心研究问题之一。一般来讲,训练高性能的语义分割模型需要依赖于大量的像素级的人工标注(即标注每个像素点的语义信息)。然而,标注这类的训练样本非常困难,往往需要大量的金钱和时间。为了降低获取训练样本的难度,研究人员提出采用一些相对容易获取的标注作为监督信息(我们称之为弱监督),并用于训练图像语义分割模型。目前这些弱监督信息主要...原创 2018-12-14 12:44:23 · 774 阅读 · 0 评论 -
16-Scribblesup_Scribble-supervised_convolutional_networks_for_semantic_segmentation
这篇文章提出了一种基于用户交互的图片分割训练方法(ScribbleSup)。即训练者只需要在图片上的小部分区域进行标注(scribble annotation)即可训练分割网络。如下图所示的标注方式(左图:原图;中图:传统的语义分割标注;右图:scribble annotation):创新语义分割模型的弱监督训练。和其它使用bounding box或者全图语义标注作为监督信息的文...原创 2018-12-22 14:00:26 · 727 阅读 · 0 评论 -
19-Self-supervised-Visual-Feature-Learning-with-Deep-Neural-Networks-A-Survey
whoLonglong Jing and Yingli Tian ∗ , Fellow, IEEE2019-what为了避免收集和注释大规模数据集的大量成本,作为无监督学习方法的子集,提出了自我监督学习方法,以从大规模未标记数据中学习一般图像和视频特征,而无需使用任何人工标注的标签。一些术语1. Pseudo label:伪标签是基于pretext tasks的数据属性自动...原创 2019-05-05 15:29:41 · 2367 阅读 · 1 评论