Coderii的博客

论文笔记 之 Fully Convolutional Networks for Semantic Segmentation图像语义分割入门+FCN/U-Net网络解析FCN学习:Semantic Segmentation

论文笔记 之 Clockwork Convnets for Video Semantic Segmentation）1，本文解决的问题2，本文的方法1，作者的两个观察1，深层特征变化比浅层特征慢2，可以将执行过程(execution)视为网络结构(architecture)的一个方面，从而可以根据目标为网络设计计算时间表2，本文的策略1，本文解决的问题应用于单帧的语义分割直接应用于视频时，计算量太大。即如何降低视频语义分割的整体计算量和延迟？2，本文的方法通过研究视频各帧在时间上的关联，减少计算量。

论文笔记 之 Every Frame Counts: Joint Learning of Video Segmentation and Optical Flow）1，本文解决的问题1，本文解决的问题问题1：已有方法主要有两类：    1，重用之前帧的特征，提高速度    2，通过光流或序列模型来建模多帧，提高精度这两种方法均牺牲了速度和精度中的一者，换取另一者。通过光流研究语义特征空间的时间一致性。将语义分割与光

论文笔记 之 Dynamic Video Segmentation Network）1，本文解决的问题2，本文采用的策略2.1，策略依据2.2，自适应关键帧选取策略adaptive key frame scheduling policy：2.3，决策网络decision net-work：3，实验：3.1，整体有效性实验：3.2， 自适应关键帧选取策略有效性实验：3.3，DN的多种结构实验：3.4，不同的区域划分实验：3.4，区域边界重叠部分大小实验：4，参考文献：1，本文解决的问题本文是对DFF[30

论文笔记 之 Low-Latency Video Semantic Segmentation1，要解决的问题：2，本文提出的方法：3，网络结构：3.1，自适应关键帧选取网络Devs：3.2，自适应特征传递网络spatially variant convolution3.2.1，特征传递策略3.2.1，卷积核预测kernel weight predictorFtl和Fth融合网络AdaptNet：3.2.3，自适应特征传递网络流程3.3，低延迟调度Low-Latency Scheduling4，实验：4.1，

论文阅读 之 Deep Feature Flow for Video Recognition1，要解决的问题：2，本文提出的方法：3，网络结构：3.1，特征计算网络Nfeat：3.2，光流计算网络F：3.3，利用光流传播高级特征：3.4， key frame的选取策略：3.5，任务网络Ntask：3.5.1， 语义分割任务：3.5.2， 目标检测任务：3.6，算法伪代码：4，训练：5，实验5.1，速度-精度-模型相关性验证5.2，Split point of Ntask参考文献：1，要解决的问题：目标检