Adaptive Affinity Fields for Semantic Segmentation 阅读笔记

最新推荐文章于 2024-05-25 09:42:49 发布
最新推荐文章于 2024-05-25 09:42:49 发布
阅读量1.1k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文笔记 文章标签： AAF
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.youkuaiyun.com/clover97/article/details/85762461
本文探讨了Adaptive Affinity Fields（AAF）在语义分割中的应用，介绍了一种从像素级监督转向区域级监督的方法。AAF通过引入不同大小的核进行相似场损失计算，并利用对抗学习自适应调整核大小，提升分割精度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

AAF阅读笔记，主要对自适应相似场（自适应亲和场）的算法思想做理解和概括，欢迎各位大佬批评指正。

Adaptive Affinity Fields for Semantic Segmentation 论文链接 https://arxiv.org/abs/1803.10335
原作者的实现代码
https://github.com/twke18/Adaptive_Affinity_Fields

1.从像素级监督到区域级监督
Fig 2
Fig. 2 展示了自适应相似场包括两个部分：不同大小的核的相似场损失；对应类别的对抗权重。

2.相似场损失函数
3.通过对抗学习自适应核大小

姿态估计Bottom-up系列中的Grouping方式二：Part Affinity Fields
ming6383的博客
05-11 1502
原文：Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields 代码：openpose Abstract 文章提出了一种高效的检测2D多人姿态的方法。文章提出了一种Part Affinity Fields (PAFs)的方法来联系不同个体之间的关节。该体系结构编码来全局上下文，允许贪婪的bottom-up的解析步骤，该步骤在实现实时性能的同时保持高精度，而与图像中的人的数量无关。该体系结构被设计为通过同一顺序预测过程的两个分支来联
2018 ECCV之语义分割：Adaptive Affinity Fields for Semantic Segmentation
makabaka的博客
01-16 971
Adaptive Affinity Fields for Semantic Segmentation 本文没有提出新的框架，主要工作是提出了新的学习思路和loss：Affinity及AAF。 目前的问题： 目前，在语义分割的任务中，当有较大的训练数据和更深入、更复杂的网络架构，基于像素的分类方法在前景像素和背景像素接近或混合在一起时，从根本上缺乏空间分辩能力，即当前景的视觉证据较弱时，分割效果较差...
[深度学习从入门到女装]Adaptive Affinity Fields for Semantic Segmentation
炼丹师
02-25 2001
论文地址：Adaptive Affinity Fields for Semantic Segmentation   这是伯克利发在ECCV2018上一篇关于分割的论文 论文提到了目前两种结合region进行分割优化的方法，CRF和GAN Adaptinve AFfinity Fields（AAF） 现如今的语义分割任务都归结为pixel-wise supervision任务，但是...
语义分割之Adaptive Affinity Fields for Semantic Segmentation
画心
04-26 2018
Adaptive Affinity Fields for Semantic Segmentation 文章目录Adaptive Affinity Fields for Semantic SegmentationAffinity Field Loss FunctionAdaptive Kernel Sizes from Adversarial Learning其他总结相关链接 原始文档： htt...
Adaptive Affinity Field for Semantic Segmentation
weixin_38620594的博客
03-20 1万+
拙见：Adaptive Affinity Field for Semantic Segmentation目标分割之Adaptive Affinity Field for Semantic Segmentation背景介绍相关工作功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPan...
Realtime Multi-Person 2D Pose Estimation using Part Affinity Field
Mortal's blog
12-08 3000
1 Summary 写完笔记之后最后填，概述文章的内容，以后查阅笔记的时候先看这一段。注：写文章summary切记需要通过自己的思考，用自己的语言描述。忌讳直接Ctrl + c原文。 2 Research Objective(s) bottom-up approaches to estimate the keypoints of skeleton 3 Problem Statement unknow number of people that can occur at any position or sc
图像语义分割论文解读（二）：Adaptive Pyramid Context Network for Semantic Segmentation
Superstar02的博客
10-11 1492
Adaptive Pyramid Context Network for Semantic Segmentation 简述： 当前基于上下文的分割方法在构造上下文特征和实际应用中各不相同。本文首先介绍了上下文特征在分割任务中的三个理想性质。作者发现全局导向的局部亲和力(GLA)在构建有效的语境特征中起着至关重要的作用，并在此基础上提出了自适应金字塔上下文网络(APCNet)的语义分割方法。 ACP...
文献解读|CVPR2019|APCNet:Adaptive Pyramid Context Network for Semantic Segmentation
Akita·Wang's Semantic Segmentation
03-11 435
论文地址：APCNet:Adaptive Pyramid Context Network for Semantic Segmentation 项目代码基于Pytorch，但尚未开源 背景 最近的研究表明结合上下文特征能够显著的提升深度语义分割模型性能。这些模型的差异仅仅在于在实际中它们构造上下文特征的方式不同。这篇文章首先介绍了语义分割任务中上下文特征的三个理想特性。作者发现尽管Global-guided Local Affinity（GLA）在构建上下文特征时起这重要作用，但是之前的研究者却往..
CVPR 2019之语义分割： Adaptive Pyramid Context Network for Semantic Segmentation
makabaka的博客
10-10 1657
Adaptive Pyramid Context Network for Semantic Segmentation 简述： 当前，基于语境的分词方法在如何构建语境结构以及在实践中不同的表现上存在着一定的差异，特别的是，发现全局导向的局部亲和力(GLA)在构建有效的语境特征中至关重要。本文介绍了一种基于自适应金字塔上下文网络（Adaptive Pyramid Context Network）的语义...
语义分割-Unsupervised Domain Adaptation in Semantic Segmentation：a Review语义分割中的无监督领域自适应：综述
ssshyeong的博客
11-28 5599
对语义分割的深层网络的无监督域自适应（UDA）的最新进展进行综述。
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields ∗ 源代码
12-18
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields ∗ 源代码　open pose 实时人体姿态估计 caffe+python+matlab
论文解读-Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
为之则易，不为则难
01-27 2504
最近需要做视频分类相关的工作，在做技术调研过程中，了解到视频分类包含了两种形式，（1）通用的多标签视频分类，它的特点是标签为静态的，也即做分类时不需要考虑图像帧之间的关联性，因此跟基于图片的分类没什么差异了。（2）行为识别，因为是“行为”，所以这类任务需要考虑图像帧之间的关联性，比如“芭蕾舞”、“绘画”等，包含了3D卷积和Two-stream两种方法，在看了这方面的综述文章后发现是全新的方向。因为...
OpenPose(二)：PAF理解(Part Affinity Fields for Part Association)
热门推荐
hjxu2016的博客
12-11 1万+
paf就是对肢体进行标注，是身体每个肢体的2D向量，同时保持了肢体区域之间的位置信息和方向信息。以论文中的公式来解答上图xj1kx_{j1,k}xj1k​和xj2kx_{j2,k}xj2k​表示个体kkk的肢体ccc的部位j1和j2j1和j2j1和j2的肢体坐标。如果一个点ppp落在肢体上，则Lck∗pLck∗​p的值是一个从j1j1j1指向j2j2j2的单位向量；对于其它点，向量的值为0。
论文翻译3----LaneAF: Robust Multi-Lane Detectionwith Affinity Fields【LaneAF：具有亲和域的鲁棒多通道检测】
gaoyiyou123的博客
09-03 737
LaneAF：具有亲和域的鲁棒多通道检测
ECCV18 | UC伯克利提出基于自适应相似场的语义分割
ningbo2016的博客
11-27 203
(http://www.cvmart.net/community/article/detail/333)
探索像素间的智能联系：Adaptive Affinity Fields for Semantic Segmentation
gitblog_00086的博客
05-25 321
探索像素间的智能联系：Adaptive Affinity Fields for Semantic Segmentation 项目介绍 在计算机视觉领域，语义分割是一个关键任务，旨在为图像中的每个像素赋予特定的类别标签。Adaptive Affinity Fields for Semantic Segmentation 是一个创新性的开源项目，它提出了一种新方法，通过学习验证像素间空间结构来改进这一...
Part Affinity Fields论文理解【转载】
a578831363的博客
04-03 582
Part Affinity Fields论文理解【转载】 来自知乎用户：饭希Peach 文章地址：Part Affinity Fields论文理解
《LaneAF：Robust Multi-Lane Detection with Affinity Fields》论文笔记
m_buddy的博客
08-06 1269
参考代码：LaneAF 1. 概述 导读：这篇文章提出了通过语义分割（2分类）检测车道线的算法，不过在其中添加了affinity fields用于区分不同的车道线（从语义分割演变实现“实例分割”）。文中对每条车道线预测两个affinity fields，分别是水平方向和垂直方向。其中水平方向的affinity fields用于归纳当前车道线行的中心点，垂直的affinity fileds用于推断当前车道线下一行预测集合的位置，也就是在图像的行维度上使用水平和垂直的affinity fields进行耦合，从
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields 发展历程解读
renlei8563的博客
06-29 340
1 Pose machines: Articulated pose Estimation Vis Inference machines 理解Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields这篇文章需要从Pose machines这篇文章开始，正是这篇文章真正开启了使用机器学习思想进行骨架识别的方法。 1.1传统骨架节点识别方法 传统的方法既基于自上而下的模式识别方法，是基于“图模型的方法”，主要思路如下：
Frequency-Adaptive Dilated Convolution for Semantic Segmentation 卷积部分的代码
最新发布
12-28
### 实现频率自适应空洞卷积 为了实现频率自适应空洞卷积（Frequency-Adaptive Dilated Convolution），需要设计一种能够动态调整膨胀率的机制。这种机制允许网络根据不同位置的空间上下文信息自动学习最优的膨胀参数，从而提高语义分割的效果。 下面是一个基于PyTorch框架的简单实现示例： ```python import torch import torch.nn as nn import torch.nn.functional as F class FrequencyAdaptiveDilatedConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1, dilation_range=(1, 6)): super(FrequencyAdaptiveDilatedConv, self).__init__() # 定义可学习的dilation系数预测层 self.dilation_predictor = nn.Conv2d(in_channels, len(dilation_range), kernel_size=1) self.softmax = nn.Softmax(dim=1) # 创建多个不同dilation rate的conv分支 self.convs = nn.ModuleList([ nn.Conv2d(in_channels, out_channels, kernel_size, stride=stride, padding=d * (kernel_size // 2), dilation=d, bias=False) for d in range(*dilation_range)]) # 初始化权重 for m in self.modules(): if isinstance(m, nn.Conv2d): nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu') def forward(self, x): # 预测每个像素点对应的dilation权重分布 weights = self.softmax(self.dilation_predictor(x)) outputs = [] for i, conv in enumerate(self.convs): output_i = conv(x) * weights[:,i:i+1,:,:].expand_as(output_i) outputs.append(output_i) result = sum(outputs) return result ``` 此模块通过引入一个额外的小型卷积层来估计输入特征图上每一个空间位置的最佳膨胀因子，并利用softmax函数将其转换成概率形式作为各个分支输出加权求和的比例[^1]。
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