【实例分割】SOLO (Segmenting Objects by Locations) 模型简介

最新推荐文章于 2024-09-21 10:19:16 发布
最新推荐文章于 2024-09-21 10:19:16 发布
阅读量3k 收藏
点赞数 1
分类专栏： 深度学习 文章标签： 深度学习 计算机视觉 实力分割 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47716911/article/details/109206722
版权
SOLO模型是一种直接实例分割的创新方法，它通过‘实例类别’思想，将实例分割问题转化为两个分支的类别感知预测。模型包含语义类别分支预测区域类别，和实例分割预测分支确定物体分割。训练时使用Focal Loss和Dice损失。SOLO避免了依赖检测框或像素Embedding学习的准确性，简化了实例分割流程。
摘要由CSDN通过智能技术生成

来源 | 极链AI云（性价比最高的共享GPU算力平台，新人注册可领取198元大礼包，价值100+小时的免费使用时长，领取地址：https://cloud.videojj.com/）

作者 | 小仇【极链AI云技术原创奖励计划】

原文地址 | 【实例分割】SOLO (Segmenting Objects by Locations) 模型简介（官网论坛）

 

论文链接：

https://arxiv.org/pdf/1912.04488v3.pdf

源码链接：

https://github.com/aim-uofa/AdelaiDet
https://github.com/WXinlong/SOLO


主流的实例分割模型可以分为检测后分割（detect-then-segment）方法（如Mask RCNN）和基于像素Embedding学习的方法。

这两种方法的缺点是非常依赖于检测框或Embedding学习的准确性

最低0.47元/天 解锁文章
「已注销」
关注
专栏目录
【算法思考】端到端实例分割模型 SOLO
S_Kross的博客
10-11 610
总的来说，SOLO这个模型稍微有些复杂，目前在实例分割方面已经有了一些更好的基于transformer的工作，比如mask2former等。SOLO的缺点很明显，其生硬地认为不同的实例中心位置应该不一样，并不适用于某些情况。另外，SOLO在处理不同大小实例的时候不够灵活，不同的分支只能输出固定范围内的实例mask，非常耗费计算力。
【深度学习】【实例分割】SOLO：Segmenting Objects by Locations
Hana
01-06 1万+
【实例分割】SOLO：Segmenting Objects by Locations相关工作模型结构 实例分割主要有两大类别，而这两大类方法都不够直接。 自上而下即detect-then-segment：太依赖于目标检测的准确率 自下而上：为每个像素学习一个嵌入向量（有点像Cornernet），该方法依赖于每个像素的嵌入学习和分组后处理。 出发点：一张图片中的实例基本的不同是什么？要么具有不同...
实例分割模型解析：solo模型
absence521的博客
01-20 1562
我们提出了一种新的、极其简单的实例分割方法。与许多其他密集预测任务（例如语义分割）相比，任意数量的实例使得实例分割更具挑战性。为了预测每个实例的掩码，主流方法要么遵循“检测然后分段”策略（例如，Mask R-CNN），要么首先预测嵌入向量，然后使用聚类技术将像素分组到各个实例中。我们认为通过引入“实例类别”的概念，从全新的角度来完成实例分割任务，该概念根据实例的位置和大小为实例中的每个像素分配类别，从而很好地将实例分割转换为单次分类可解决的问题问题。
Mask R-CNN 训练实例分割模型
最新发布
大模型
09-21 1368
为了将像素转换为可操作的洞察力，计算机视觉依赖于来提供对环境的理解。目标检测是一种常用的技术来识别帧中的单个对象，例如识别人或汽车。虽然对象检测对于某些应用程序是有益的，但是当您希望在像素级理解对象时，它就不够了。实例分割是一种流行的计算机视觉技术，它有助于在像素级识别帧中多个对象的每个实例。除了边界框之外，实例分段还创建了一个细粒度的分段掩码。分割有助于在对象和背景之间进行描绘，例如在 AI 驱动的绿色屏幕中，您希望模糊或更改帧的背景，或者分割帧中的道路或天空。
实例分割之SOLO: Segmenting Objects by Locations
qq_22751305的博客
05-11 1339
SOLO: Segmenting Objects by Locations code 实例分割主要有两大类方法： 一种是“detect-then-segment”，即先检测bbox，再分割目标，如Mask R-CNN。这类方法比较依赖于目标框的检测精度，当目标不适合用矩形框标记时，这类方法将不再使用； 另一种是为每个像素学习一个嵌入向量，再通过后处理（如聚类算法）得到实例。 与Mask R-CNN这类实例分割相比，SOLO不必检测目标框，可直接得到实例的像素分割结果。若不能简单地用矩形框标.
【SOLO】实例分割论文SOLO: Segmenting Objects by Locations详解
向上生长的程序媛的博客
11-16 778
SOLO实例分割论文详解
SOLO实例分割模型训练过程
wj0807的博客
08-29 542
SOLO（Segmenting Objects by Locations）是阿莱德大学和字节跳动联合研究的，算法的核心思想是将分割问题转化为位置分类问题，从而做到不需要 anchor（锚框）及 bounding box，而是根据实例的位置和大小，对每个实例的像素点赋予一个类别从而达到对实例对象进行分割的效果。代码读取图片的位置：/home/ubuntu/wj/SOLO-master/mmdet/apis/inference.py，不管它，不影响训练。四、注册数据集及修改配置文件。七、遇到的问题及解决措施。
论文：SOLO: Segmenting Objects by Locations
m0_38064230的博客
03-10 4382
作者 摘要 我们提出了一种新的、非常简单的实例分割方法。与许多其他密集预测任务（例如语义分割）相比，任意数量的实例使实例分割更具挑战性。为了预测每个实例的掩码，主流方法要么遵循“先检测后分割”策略（例如，Mask R-CNN），要么先预测嵌入向量，然后使用聚类技术将像素分组到单个实例中。我们通过引入“实例类别”的概念，从全新的角度看待实例分割的任务，它根据实例的位置和大小为实例中的每个像素分配类别，从而很好地将实例分割转换为单次分类- 可解决的问题。我们展示了一个更简单灵活的实例分割框架，具有强大的性能，
[SOLO ]SOLO: Segmenting Objects by Locations代码解读笔记(ECCV. 2020)
Ah丶Weii
11-20 1795
文章目录SOLO head网络结构损失函数1. SOLO/mmdect/models/detectors/single_stage_ins.py2. SOLO/mmdet/models/anchor_heads/solo_head.py3. SOLO/mmdetect/core/post_processing/matrix_nms.py4. SOLO/configs/solo/solo_r50_fpn_8gpu_1x.py5. SOLO/mmdet/models/anchor_heads/_ _init_
单阶段实例分割SOLO-v1& SOLO-v2论文笔记
m_buddy的博客
11-28 2691
参考代码： AdelaiDet SOLO，本文所引用代码源自于此 这里提到的v1和v2版本分别对应的文章名称： SOLO: Segmenting Objects by Locations SOLOv2: Dynamic and Fast Instance Segmentation 1. 概述 导读：SOLO系列的文章解决的是单阶段的实例分割任务，相比之前的检测-分割（top-down）的方法在操作流程上简化不少，同时取得的效果也是不错的。在单阶段的实例分割任务中由于缺少检测带来的位置确定性，因而需
SOLO实战——用自己的数据集训练实例分割模型
热门推荐
Guo_Python的博客
06-08 1万+
SOLO实例分割算法原理简单，并且分割精度达到mask R-CNN的水平，用了Matrix NMS（SOLOV2中的内容）后，其推理速度明显快于mask R-CNN，本文会带你一步一训练自己的数据集。solov2官方也开源了，同样适用。
solo源码解析
05-14
solo源码解析，很难找的，希望对大家有帮助
论文阅读：实例分割新宠-SOLO系列
weixin_43572595的博客
01-08 2410
SOLOv1 论文链接：https://arxiv.org/abs/1912.04488 项目地址：https://github.com/WXinlong/SOLO SOLO贡献 端到端训练，且无后处理 只需要mask的标注信息，无需 bbox 标注信息， 在 COCO 上实现了和 Mask R-CNN 基本持平的效果 SOLO 只需要解决两个像素级的分类问题，类似于语义分割， 本质上，SOLO 通过离散量化，将坐标回归转化为分类问题，可以避免启发式的坐标规范化和 log 变换，通常用于像 YOLO 这样
超越EfficientNet：metaKernel；实例分割新网络：SOLO
zzh_hn的专栏
12-12 1258
超越EfficientNet：metaKernel；实例分割新网络：SOLO https://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247494464&idx=3&sn=af74b989a89c66c1f2387c6e14890af5&chksm=f9a199cfced610d95407142c305c...
【实例分割论文】 SOLO：Segmenting Objects by Locations（更新代码）
sanshibayuan的博客
01-09 8746
作者源代码已经开源，因此更新了结合作者源代码分析的网络实现部分 此外，SOLOv2论文已经发布https://arxiv.org/abs/2003.10152，
SOLO实例分割模型-- 训练测试自己数据集--记录
qq_42762649的博客
03-23 339
SOLO模型是2020年发表在ECCV会议上的实例分割模型框架；其凭借良好的识别效果应用广泛。
SOLO模型环境搭建训练流程及问题
weixin_41868417的博客
02-28 1449
一、背景 SOLO是一种图像实例分割模型，我们主要下载的是github这个网站SOLO 因为该模型是基于mmdetection跟mmcv来的，所以要多注意学习掌握这两个东东 二、流程 1.根据install.md安装环境 ####Requirements 此次安装版本 Python 3.8 pytorch 1.10.2 py3.8_cuda11.3_cudnn8.2.0_0 pytorch 先找到Installation部分，打开INSTALL.md开始安装。首先一定要注意R
SOLO理解
郭大侠写leetcode
11-21 450
原Blog链接：https://blog.csdn.net/qq_41994006/article/details/105170426 论文链接：SOLO: Segmenting Objects by Locations 简述 实例分割属于比较challenging的任务，他相当于是object detection和semantic segmentation的结合体。在SOLO出现之前，有两种常用的paradigm：（1）top-down：先进行目标检测，再对检测框做分割，经典的方法有Mask RCNN、P
SOLO分割模型环境搭建踩坑记录（ubuntu18.04）
qq_43631789的博客
12-28 752
官方环境：SOLO官方代码 我自己的环境： python 3.6.9 搭建步骤 1.安装英伟达驱动： ubuntu-drivers devices sudo ubuntu-drivers autoinstall 2.查看显卡型号： nvidia-smi -a 我的显卡是2070super，默认支持cuda11，但是solo官方要求要cuda10.1,所以重新安装cuda10.1 3.安装cuda10.1 首先需要在官网上选择相应的版本:cuda10.1链接,其余版本cuda：下载链接 下载好以后离
Segmenting Transparent Objects in the Wild中losses for the boundary是什么，怎么算，怎么理解
05-19
"Segmenting Transparent Objects in the Wild"是一篇关于透明物体分割的论文。在这篇论文中，作者提出了一种新的方法来分割透明物体，其中包括使用边界损失函数。 边界损失函数是一种用于评估分割边界的损失函数。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值