xuefengxiaoyang的博客

论文链接：https://arxiv.org/pdf/1506.04579.pdf代码：https://github.com/weiliu89/caffe/tree/fcn摘要：论文提出了在语义分割的深度神经网络中添加全局信息，即对一个卷积层，使用平均特征来增强每个位置的特征。除此之外，还提出了训练模型的几个方法，显著的提高了基准模型的性能。当添加论文提出的全局特征和学习正则化参数的技...

论文地址：Spatial As Deep: Spatial CNN for Traffic Scene Understanding代码：SCNN摘要：卷积神经网络通常是逐层堆叠的卷积操作构成，虽然有强大的特征提取能力，从像素中提取语义信息，但是跨行列提取图像的空间信息的能力并没有完全被利用。这些信息对像车道线和电线杆这种有很强的外观先验很弱的外观线索的目标是很重要的，这些目标经常会被遮...

摘要：语义分割最先进的方法是建立在卷积神经网络网络上的，典型的语义分割架构由（a）下采样路径负责提取粗糙的语义特征，后面跟着（b）上采样路径被训练在模型的输出恢复输入图像的分辨率，可选的（c）后处理模块，比如条件随机场去精修模型预测的结果。最近，一种新的CNN架构，即密集连接卷积网络（DenseNets），在图像分类任务中表现出色。 DenseNets的想法是基于这样的观察：如果每个层以前...

摘要：虽然大多数语义推理方法都侧重于提高性能，但在本文中，认为计算时间对于实现自动驾驶等实时应用非常重要。 为实现这一目标，作者提出了一种通过统一架构进行联合分类，检测和语义分割的方法，其中编码器在三个任务之间共享。 我们的方法非常简单，可以在具有挑战性的KITTI数据集中端到端地进行训练并表现得非常好，超越了道路分割任务中的最新技术水平。 提出的方法也非常有效，允许以超过每秒23帧的速度进行...