![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像分割论文阅读笔记
文章平均质量分 93
顶会论文阅读笔记
小苑同学
这个作者很懒,什么都没留下…
展开
-
论文阅读:《Rethinking BiSeNet For Real-time Semantic Segmentation》
论文链接:https://arxiv.org/pdf/2104.13188.pdfCVPR 20211 Background2 Movtivtion原创 2021-05-12 11:48:17 · 2861 阅读 · 2 评论 -
论文阅读:《KeepAugment: A Simple Information-Preserving Data Augmentation Approach》
论文链接:https://arxiv.org/pdf/2011.11778.pdf.CVPR 20211 Background近年,数据增强在解决很多深度学习的问题上是一个至关重要的的技术。比较典型的例子有区域级数据增强方法,它的mask或者修改是随机选择图像的矩形区域。还有图像级增强方法,它是利用加强学习来发现选择和组合不同的标签不变性变换】的最优策略。虽然数据增强增加了有效数据的大小,并且提升了训练样本的多样性,但是它不可避免的在训练过程中引入了噪声和歧义性。因此如果数据增强没有被适当的调整的.原创 2021-04-13 15:49:58 · 2445 阅读 · 2 评论 -
PaperReading:《Rethinking Computer-aided Tuberculosis Diagnosis》
CVPR 2020论文链接:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9156613文章目录1 Background2 Motivation3 Related Work4 Advantages/Contributions6 Experiments7 Conclusions1 Background作为传染疾病的第二大致病原因,肺结核全球健康的主要威胁之一。每年大约有8,000,000 - 10,000,000新的肺结核病.原创 2021-03-16 13:15:56 · 292 阅读 · 0 评论 -
HRNetV2:《High-Resolution Representations for Labeling Pixels and Regions》
论文地址:https://arxiv.org/pdf/1904.04514.pdf1 Background深度学习代表是很强的并且在许多视觉任务上实现了很好的结果。目前主要的表示分为两类:用于图像分类的低分分辨率表示,对其它视觉问题重要的高分辨率表示,比如语义分割、人体姿态估计、目标检测等等。高分辨率的表示仍然存在很多问题没有解决,因此吸引了很多人的关注。解决高分辨率表示主要有两种方式:(1)从低分辨率中来恢复得到高分辨率。(2)从高分辨卷积中获得高分辨率表示并且从平行的低分辨率卷积中来加强高分辨表.原创 2021-03-08 12:51:38 · 1299 阅读 · 0 评论 -
论文阅读:《Fast Convergence of DETR with Spatially Modulated Co-Attention》
论文链接:https://arxiv.org/pdf/2101.07448.pdf.arxiv 2021文章目录1 Background2 Motivation3 Related Work4 Advantages/Contributions5 Method6 Experiments7 Conclusions1 Background2 Motivation3 Related Work4 Advantages/Contributions5 Method6 Experiments7 Concl.原创 2021-02-25 15:18:10 · 1447 阅读 · 1 评论 -
论文阅读:《Improving Semantic Segmentation via Decoupled Body and Edge Supervision》
论文链接:https://arxiv.org/pdf/2007.10035.pdf.ECCV 20201 Background2 Motivation3 Related Work4 Advantages/Contributions5 Method6 Experiments7 Conclusions原创 2020-12-21 19:42:04 · 2122 阅读 · 0 评论 -
papperreading:《Sparse R-CNN: End-to-End Object Detection with Learnable Proposals》
论文链接:https://arxiv.org/pdf/2011.12450.pdf.文章目录1 Background and Motivation2 Related Work3 Advantages/Contributions4 Method5 Experiments6 Conclusions1 Background and Motivation目标检测的目的是在图像中定位一组目标和识别它们的类别。密集检测一直是检测成功的基础。在经典的计算机视觉中,滑动窗口已经领导检测方法数十年。现代主流的one-.原创 2020-12-15 10:10:51 · 408 阅读 · 0 评论 -
paperreading:《End-to-End Object Detection with Transformers》
论文链接:https://arxiv.org/pdf/2005.12872.pdf.ECCV 20201 Background目标检测的目标是对每个感兴趣的目标去预测一组bounding boxes和类别标签。现代检测器以一种间接的方式来解决集预测任务,通过在一些prosoals、anchors或者中心点上定义替代回归和分类问题。他们的性能很明显受到后处理步骤的影响,为了简化这些方法,本文作者直接提出了一个直接集合预测方法去绕过那些间接的任务。这种end-to-end的方法在一些机器翻译或者语音.原创 2020-12-14 09:50:07 · 294 阅读 · 3 评论 -
paper reading:《Grid R-CNN》
CVPR 2018论文链接: https://arxiv.org/pdf/1811.12030.pdfGrid R-CNN是商汤科技最早发表于arxiv的一篇目标检测的论文,对于Faster R-CNN架构的目标坐标回归部分进行了替换,取得了更加精确的定位精度。该文所有作者均来自于商汤科技,Grid用来修饰R-CNN,意即将目标检测中位置定位转化为目标区域网格点的定位。文章目录1 Background and Motivation2 Related Work3 Advantages/Contrib.原创 2020-08-21 22:02:35 · 339 阅读 · 0 评论 -
paper reading:《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》
NIPS 2015论文链接:https://arxiv.org/pdf/1506.01497.pdf.文章目录1 Background and Motivation2 Related Work3 Advantages/Contributions4 Method4.1 Region Proposal Networks4.1.1 Anchors4.1.2 Loss Function4.1.3 Training RPNs4.2 Sharing Features for RPN and Fast R-CNN.原创 2020-08-21 13:13:19 · 214 阅读 · 0 评论 -
论文阅读:《D2Det: Towards High Quality Object Detection and Instance Segmentation》
文章目录1 Background and Motivation2 Related Work3 Advantages/Contributions4 Method5 Experiments6 Conclusions1 Background and Motivation近年来,由于深度神经网络的发展,在目标检测方面取得了巨大的进展。现代的object detectors可以大致分为 single-stage(对默认的anchor进行直接的回归和分类)和 two-stage方法(先生成一系列候选框,然后再分类.原创 2020-08-22 17:16:31 · 1583 阅读 · 0 评论 -
论文阅读:《PolyTransform: Deep Polygon Transformer for Instance Segmentation》
CVPR 2020论文链接: https://arxiv.org/abs/1912.02801.文章目录1 Background and Motivation2 Related Work3 Advantages/Contributions4 Method4.1 Instance Initialization4.2 Feature Extraction Network4.3 Deforming Network4.4 Learning5 Experiments5.1 Experimental Setup.原创 2020-08-02 17:02:39 · 2101 阅读 · 0 评论 -
论文阅读:DeeepLab V3+《Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation》
ECCV 2018论文链接:https://arxiv.org/pdf/1802.02611.pdf.文章目录1 Background and Movtivation2 Related Work3 Advantages/Contributions4 Methods5 Experiments6 Conclusions1 Background and Movtivation语义分割给图像上的每个像素都分配一个语义标签,它是计算机视觉上最基础的话题之一。基于FCN的深度CNN在基准任务上实现了很好的性能.原创 2020-07-24 00:24:11 · 584 阅读 · 0 评论 -
论文阅读:《FCOS:Fully Convolutional One-Stage Object Detection》
CVPR 2019论文链接:https://arxiv.org/pdf/1904.01355.pdf.这里写目原创 2020-07-03 11:57:03 · 222 阅读 · 0 评论 -
paper reading:《Mask Encoding for Single Shot Instance Segmentation》
CVPR 2020论文链接:https://arxiv.org/abs/2003.11712.代码链接:https://github.com/aim-uofa/AdelaiDet.文章目录1 Background and Motivation2 Related Work3 Advantages/Contributions4 Method4.1.Network Architecture4.2.Mask Encoding5 Experiments6 Conclusion1 Background a.原创 2020-07-05 11:23:13 · 615 阅读 · 0 评论 -
《Centernet:Objects as Points》
论文链接:文章目录1 Background and Motivation2 Related work3 Advantages/Contributions4 Method5 Experiments6 Conclusion1 Background and Motivation目标检测为许多视觉任务提供动力,比如实例分割、姿态估计、跟踪和动作识别等。而且它在比如监视、自动驾驶和视觉问题回答等下游方面都有应用。当前的物体检测器通过紧密围绕物体的与轴对齐的bounding box 表示每个物体。大多数成功的.原创 2020-06-07 23:20:11 · 242 阅读 · 0 评论 -
《CenterMask: single shot instance segmentation with point representation》
CVPR 2020论文链接:https://arxiv.org/abs/2004.04446.文章目录1 Background and Motivation2 Advantages/Contributions3 Method4 Experiments5 Conclusion1 Background and Motivation2 Advantages/Contributions3 Method4 Experiments5 Conclusion原创 2020-07-24 00:27:16 · 1119 阅读 · 0 评论 -
DeepLab v1:《Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs》
DeepLab v1ICLR 2015Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs.文章目录一级目录一级目录原创 2020-05-14 02:20:49 · 1042 阅读 · 0 评论 -
KNEEL: Knee Anatomical Landmark Localization Using Hourglass Networks
arXiv 2019文章目录1 Background2 Motivation3 Advantages4 Method5 Experiments6 Conclusion1 Background关键点定位可以看作是 Regression Problem,其中关键点位置是通过使用ROI甚至是Full-size 图像直接预测的,从而导致较大的内存占用,尤其是在高分辨率医学图像的情况下,解剖学关键点...原创 2020-05-05 01:22:12 · 733 阅读 · 1 评论 -
paper reading:U-Net:Convolutional Networks for Biomedical Image Segmentation
MICCAI 2015目 录1 Background2 Motivation3 Advantages4 Method4.1 Architecture4.2 Loss Function4.3 Data Augmentation5 Experiments5.1 Datasets5.2 EM segmentation challenge5.3 PhC-U373 and DIC-HeLa6 Concl...原创 2020-04-30 00:24:22 · 565 阅读 · 0 评论 -
论文阅读:《Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation》
论文链接:https://arxiv.org/pdf/2007.02846.pdf.ECCV 2020文章目录1 Background and Motivation2 Related work3 Advantages/Contributions4 Methods5 Experiments6 Conclusions1 Background and Motivation2 Related work3 Advantages/Contributions4 Methods5 Experiments6原创 2020-10-27 16:48:58 · 578 阅读 · 0 评论 -
论文阅读:《EmbedMask: Embedding Coupling for One-stage Instance Segmentation》
论文链接:https://arxiv.org/pdf/1912.01954.pdf.原创 2020-09-20 20:31:01 · 544 阅读 · 0 评论 -
《CenterNet:Objects as Points》
论文链接:https://arxiv.org/pdf/1904.07850.pdf.原创 2020-09-14 10:27:23 · 100 阅读 · 0 评论