![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
语义分割
文章平均质量分 81
向上的阿鹏
..
展开
-
附代码 DFNet :Learning a Discriminative Feature Network for Semantic Segmentation
Learning a Discriminative Feature Network for Semantic Segmentation论文解读代码链接:https://github.com/lxtGH/dfn_seg摘要:我们提出了一个判别特征网络(DFN),它包含两个子网络:平滑网络和边界网络。具体来说,为了处理类内不一致问题,我们特别设计了一个具有通道注意块和全局平均池的平滑网络来选择更明显的区分特征。此外,我们提出了一种边界网络解决不同类之间的问题,通过深度语义边界监督来区分边界的双边特征。提出原创 2022-02-21 16:13:08 · 2897 阅读 · 0 评论 -
附代码 SegNet
参考链接:https://blog.csdn.net/zhuzemin45/article/details/79709874代码链接:https://github.com/delta-onera/segnet_pytorch/blob/master/segnet.pySegNet和FCN,DeConv思路十分相似,只是Encoder,Decoder(Upsampling)使用的技术不一致。此外SegNet的编码器部分使用的是VGG16的前13层卷积网络,每个编码器层都对应一个解码器层,最终解码器的输出被原创 2022-02-18 12:25:42 · 2041 阅读 · 0 评论 -
附代码 ExFuse
ExFuse: Enhancing Feature Fusion for Semantic Segmentation论文解读代码链接:https://github.com/lxtGH/fuse_seg_pytorch参考链接:https://zhuanlan.zhihu.com/p/74551902摘要:在本文中,我们首先指出,由于在语义层次和空间分辨率上的差距,低级和高级特征的简单融合可能效果较差。我们发现,将语义信息引入低级特征,将高分辨率细节引入高级特征,对以后的融合更有效。基于此观察结果,我原创 2022-02-18 00:14:00 · 2095 阅读 · 0 评论 -
附代码 RefineNet
RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation 论文解读代码链接:https://github.com/markshih91/refinenet_pytorch摘要:RefineNet,一个通用的多路径细化网络,它明确地利用了下采样过程中所有可用的信息,以实现使用长序残差连接进行高分辨率预测。通过这种方式,捕获高级语义特征的更深层次可以直接使用早期卷积中的细粒度特征进行细化。Refi原创 2022-02-16 16:35:07 · 1516 阅读 · 1 评论 -
附代码 DeConvNet
代码连接:https://github.com/csgwon/pytorch-deconvnet/blob/master/models/vgg16_deconv.py主要内容:该论文主要使用UnPooling层使用原因:池化方法是为了通过提取具有单一代表性值的接受域中的激活来过滤下层的噪声激活。虽然它通过只保留上层的稳健激活来帮助分类,但在池化过程中,接受域内的空间信息会丢失,这对于语义分割所需的精确定位可能至关重要。为了解决这一问题,我们在反褶积网络中使用了UnPooling层,它执行池化的反向操作原创 2022-02-12 12:19:51 · 1006 阅读 · 0 评论 -
附代码 DenseASPP for Semantic Segmentation in Street Scenes论文解读
DenseASPP for Semantic Segmentation in Street Scenes论文解读代码地址:https://github.com/Tramac/awesome-semantic-segmentation-pytorch目录摘要:(对ASPP的进一步改进)主要内容:感受野计算方法:感受野大小对比:代码:摘要:(对ASPP的进一步改进)虽然ASPP能够生成多尺度特征,但我们认为在尺度轴上的特征分辨率对于自动驾驶场景还不够密集。为此,我们提出了密集连接的空间金字塔池(Dens原创 2022-02-10 17:10:29 · 5999 阅读 · 14 评论 -
附代码 Deeplab V3
Rethinking Atrous Convolution for Semantic Image Segmentation 论文解读参考链接:https://zhuanlan.zhihu.com/p/61208558https://blog.csdn.net/u010451780/article/details/109286262https://blog.csdn.net/qq_37541097/article/details/121797301?spm=1001.2014.3001.5502代码链原创 2022-02-08 23:53:08 · 1770 阅读 · 0 评论 -
附代码 Deeplab V2(附迁移学习代码)
DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs 论文解读V1链接:https://blog.csdn.net/weixin_44543648/article/details/122576853论文链接:https://arxiv.org/pdf/1606.00915.pdf代码链接:https://github.com/dont原创 2022-01-20 13:57:13 · 3768 阅读 · 0 评论 -
附代码 ResNeXt
Aggregated Residual Transformations for Deep Neural Networks论文解读论文链接:https://github.com/prlz77/ResNeXt.pytorch摘要:VGG展示了一个简单而有效的策略来构建非常深的网络:堆叠相同尺寸的block,这一规则的简单性可以减少将超参数过度适应于特定数据集的风险。Inception module 证明了精心设计的拓扑能够在低理论复杂性的情况下实现令人信服的精度,他采取的策略是是分裂-转换-合并策略。在I原创 2021-12-27 15:45:26 · 530 阅读 · 0 评论 -
PSPNet: Pyramid Scene Parsing Network论文解读
Pyramid Scene Parsing Network论文解读代码链接:https://github.com/Lextal/pspnet-pytorch摘要:通过金字塔池模块和所提出的金字塔场景解析网络(PSPNet),利用基于不同区域的上下文聚合来开发全局上下文信息的能力。我们的全局先验表示可以有效地在场景解析任务上产生高质量的结果,而PSPNet则为像素级预测提供了一个优越的框架。我们提出了一个金字塔场景解析网络,将困难的场景上下文特征嵌入到一个基于FCN的像素预测框架中。提出了一种基于原创 2021-12-24 14:12:55 · 2462 阅读 · 0 评论