语义分割（semantic segmentation）——U-Net
一、定义 语义图像分割的目标是标记图像每个像素的类别。因为我们需要预测图像中的每个像素,所以此任务通常被称为密集预测。 二、参考资料 论文：U-Net: Convolutional Networks for Biomedical Image Segmentation 三、网络 ...
原文：Learning a Discriminative Feature Network for Semantic Segmentation（语义分割DFN，区别特征网络）
介绍 语义分割通常有两个问题：类内不一致性 同一物体分成两类 和类间不确定性 不同物体分成同一类 。本文从宏观角度，认为语义分割不是标记像素而是标记一个整体，提出了两个结构解决这两个问题，平滑网络和边界网络 Smooth Network and Border Network 。平滑网络用的是通道注意力块 Channel Attention Block ，来解决类内不一致性。边界网络集成了语义边界 ...
2019-05-05 17:06 0 634 推荐指数：
相关推荐
语义分割Semantic Segmentation研究综述
语义分割和实例分割概念 语义分割：对图像中的每个像素都划分出对应的类别，实现像素级别的分类。 实例分割：目标是进行像素级别的分类，而且在具体类别的基础上区别不同的实例。 语义分割（Semantic Segmentation） 输入：一张原始的RGB图像 输出：带有各像素类别标签 ...
语义分割之Dual Attention Network for Scene Segmentation
Dual Attention Network for Scene Segmentation 在本文中，我们通过 基于自我约束机制捕获丰富的上下文依赖关系来解决场景分割任务。 与之前通过多尺度特征融合捕获上下文的工作不同，我们提出了一种双重注意网络 ...
语义分割的简单指南 A Simple Guide to Semantic Segmentation
语义分割是将标签分配给图像中的每个像素的过程。这与分类形成鲜明对比，其中单个标签被分配给整个图片。语义分段将同一类的多个对象视为单个实体。另一方面，实例分段将同一类的多个对象视为不同的单个对象（或实例）。通常，实例分割比语义分割更难。 语义和实例分割之间的比较 ...
CVPR2020论文解读：三维语义分割3D Semantic Segmentation
CVPR2020论文解读：三维语义分割3D Semantic Segmentation xMUDA: Cross-Modal Unsupervised Domain Adaptation for 3D Semantic Segmentation 摘要 无监督 ...
[论文][半监督语义分割]Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision
CVPR2021 原文 半监督语义分割方法的总结： 主要思想： Consistency regularization ：希望不同扰动之下网络的输出结果一致，扰动的加入的位置：（1）在输入图片上加扰动（2）在某一层的输出特征上添加扰动 创新点： 鼓励两个初始化不同（不同扰动）的网络 ...
论文阅读笔记十六：DeconvNet:Learning Deconvolution Network for Semantic Segmentation(ICCV2015)
论文源址：https://arxiv.org/abs/1505.04366 tensorflow代码：https://github.com/fabianbormann/Tensorflow-DeconvNet-Segmentation 基于DenconvNet的钢铁分割实验 ...
论文笔记（6）：Weakly-and Semi-Supervised Learning of a Deep Convolutional Network for Semantic Image Segmentation
这篇文章的主要贡献点在于： 1.实验证明仅仅利用图像整体的弱标签很难训练出很好的分割模型； 2.可以利用bounding box来进行训练，并且得到了较好的结果，这样可以代替用pixel-level训练中的ground truth； 3.当我们用少量的pixel-level ...