语义分割--Label Refinement Network for Coarse-to-Fine Semantic Segmentation

最新推荐文章于 2023-10-23 22:55:44 发布
原创 最新推荐文章于 2023-10-23 22:55:44 发布 · 1.8k 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

介绍了一种用于语义分割的Label Refinement Network (LRN)，该网络通过加入多尺度地面实况数据进行训练，利用粗到细的方法提高分割精度。LRN包含一个精炼模块(RE)，接受粗略标签图和跳过特征图作为输入。

Label Refinement Network for Coarse-to-Fine Semantic Segmentation

https://www.arxiv.org/abs/1703.00551v1

还是级联语义分割的思路，本文提出的算法是 label refinement network (LRN)

首先来看看本文提出的算法流程图：
这里写图片描述
注意这里的训练加入了 多尺度 ground truth

refinement module (RE)
这里写图片描述
这个模块的两个输入：一个 coarse label map，一个是 skip feature map。
注意这里输入输出的尺寸变化

这里写图片描述
这里写图片描述

PASCAL VOC 2012
这里写图片描述

PASCAL VOC 2012
这里写图片描述

中间各个步骤结果：
这里写图片描述

CamVid dataset 结果：
这里写图片描述

这里写图片描述

SUN RGB-D dataset
这里写图片描述

这里写图片描述

VAE模型在自然语言处理领域的应用与挑战
AI天才研究院
12-31 1244
1.背景介绍 自然语言处理（NLP）是人工智能领域的一个重要分支，旨在让计算机理解、生成和处理人类语言。自然语言处理的主要任务包括语音识别、机器翻译、文本摘要、情感分析、问答系统等。随着大数据技术的发展，自然语言处理领域的数据量和复杂性不断增加，传统的机器学习方法已经无法满足需求。因此，研究人员开始关注深度学习技术，特别是变分自动编码器（VAE）。
【文献阅读笔记】之Label Refinement Network for Coarse-to-Fine Semantic Segmentation
qq_44785998的博客
04-28 1126
摘要： 研究了基于深度卷积神经网络的语义图像分割问题。我们提出了一种新的网络结构，称为标签细化网络，它以一种从粗到细的方式在几个分辨率上预测分割标签。粗分辨率的分割标签与卷积特征一起使用以获得更细分辨率的分割标签。我们在网络的不同阶段定义了损失函数，以提供不同阶段的监督。我们在多个标准数据集上的实验结果表明，该模型提供了一种产生像素级密集图像标记的有效方法 一.引言 一些语义分割工作的常见方法，一是基于结合CNN中多个层的卷积特征，二是使用上采样（也称为反卷积）来放大CNN顶层的特征图的空间尺寸，
【论文笔记】Coarse-to-Fine Semantic Segmentation From Image-Level Labels
Maple__Boy
03-02 2180
1、摘要 基于深度卷积神经网络的语义分割通常需要很大成本的注释来进行训练，以此来活得很好的性能。 在这篇文章中，研究人员使用对象级标签或者图像级标签进行标注。 文中提出了一种新的递归由粗到细的语义分割框架，该框架仅基于图像级别的类别标签。首先由基于卷积神经网络的无监督前景分割模型生成初始掩码，然后由图模型进行增强。 增强粗掩码被馈送到一个全卷积神经网络中，递归的进行细化。 现有的基于图像级别标签的语义分割需要对图像中的每个类别进行标注，但是我们的框架只需要对一副图像进行标签一个，并且可以处理包含多个类别的图
[论文笔记]Coarse-to-fine Semantic Segmentation from Image-level Labels
静如脱兔(⋌▀¯▀)=☞动如脱兔的博客
05-24 2142
DFPN论文笔记:Coarse-to-fine Semantic Segmentation from Image-level LabelsAbstractIntroductionContributionRelated WorkProposed Approach方法概述生成coarse maskcoarse mask增强mask迭代优化扩展应用Experiments Abstract 为减轻人工标注的压力，本文提出一种仅含图像级标签的迭代的coarse-to-fine(由粗到细)的语义分割框架 首先通过CNN
论文笔记：Label Refinement Network for Coarse-to-Fine Semantic Segmentation
xiaoxiang_AQ 的博客
03-12 5215
本文设计了一个Coarse-to-Fine的深度学习网络Label Refinement Network，来进行语义分割任务。主要将低分辨率下的分割标签和卷积后的特征进行结合，获得一个更加精确的分割结果。在网络的多个阶段定义loss函数，这种做法起到了多阶段同时监督的效果。 论文传送：Label Refinement Network for Coarse-to-Fine Semantic Seg
论文笔记：Coarse-to-Fine Semantic Segmentation From Image-Level Labels
qq_41105449的博客
06-16 1344
本文的框架只需要每个图像一个标签，就可以处理包含多类别对象的图像。 只在ImageNet上训练，此框架在PASCAL，VOC数据集上与其他基于图像级别标签的最先进的语义分割方法实现类似的性能。 此外，本框架可以很容易地扩展到前景对象分割任务，并在Internet对象数据集上与最先进的监督方法取得了相当的性能。
语义分割 - Semantic Segmentation Papers
热门推荐
长风破浪会有时，直挂云帆济沧海
05-23 3万+
Semantic Segmentation Learning a Discriminative Feature Network for Semantic Segmentation - CVPR2018 - Face++ [Paper] Vortex Pooling: Improving Context Representation in Semantic Segmentation - 2018...
FRBNet: Feedback refinement boundary network for semantic segmentation in breast ultrasound images
weixin_45622568的博客
10-23 600
目前，大多数乳腺肿瘤分割方法侧重于提取多尺度信息和融合上下文信息，而低估了特征信息在分割任务中帮助识别目标边界的重要性。具体而言，CCM在融合低级特征映射和高级特征映射之前，首先采用重分布特征通道响应的方法，增强携带关键目标信息的通道，抑制低级特征映射中的噪声通道。然后，BD模块通过额外学习乳腺肿瘤的边界，提高分割结果中边界的质量，为后续的预测提供准确的边界特征信息。然而，这些传统方法是基于数据集的特征，然后实现手工设计的特征，如纹理特征或位置信息，这些特征不稳定，抗干扰能力差，容易受到成像质量的影响。
Semantic Segmentation 语义分割 -- 深度学习（一）
Jingyang.Zhang的博客
01-31 1万+
一 . Semantic Segmentation 定义和特点        作为传统的计算机视觉领域的经典问题，Semantic Segmentation 语义分割是分割问题研究的热门问题。具体来说，我们的目标是对于图像中所有像素点分配给其对应的标签（区别于Object Detection 和 Localization），但是语义分割和Instance Segmentation 分割的最主
Deep label refinement for age estimation（知识蒸馏+标签学习在年龄估计中的应用）
qq_996686006的博客
01-07 846
Deep label refinement for age estimation 研究问题 1.不同性别/种族的人类年龄差异不同 2.面部图像中光照、姿势、表情、化妆会影响年龄估计的精度 3.模型的泛化能力，很难获得准确的真实年龄 标签分布学习可以解决不同年龄之间的相关性和不确定性，提高数据的利用率。 Label distribution refinery The initial ancestor 标签分布学习的初始网络Rθ1R_{\theta_1}Rθ1​​的目标是最小化交叉熵损失函数，将预测的标签分布
【论文笔记】Fine-Grained Segmentation Networks: Self-Supervised Segmentation for Improved Long-Term Visual
phy12321的博客
09-20 1031
针对视觉定位的语义分割网络, ICCV 2019 论文工作的动机： using more segmentation labels to create more discriminative, yet still robust, representations for semantic visual localization 本文主要针对Long-term的视觉定位任务，提出了一个精细化分割网络，可以对场景进行精细化fine-grained的分割，得到相比于现有语义分割网络的分.
fine-grained-segmentation-networks:ICCV论文的代码“精细划分的细分网络
03-11
细粒度的细分网络：自我监督的细分以改善长期的视觉定位 这是在“细粒度细分网络：自我监督的细分以改善长期视觉本地化”（ ）中发布的工作的实现。 资源 本文使用的数据集发布在visuallocalization.net 训练有素的模型 安装 提供了一个Dockerfile，可使用此文件构建Docker映像，或参考文件中列出的要求。 此外，还提供了requirements.txt。 用法 下载城市景观和枫叶远景 使用/utils/convert_vistas_to_cityscapes.py为Vistas图像创建城市景观类注释 下载对应数据集 下载与对应数据集关联的图像（数据集自述文件中的说明） 创建一个global_otps.json并设置路径（请参阅global_opts_example.json） 从上面的训练有素的模型链接中获取基本模型，将“基本网络”文件夹放置在global_o
Coarse-to-Fine Region Selection and Matching
超越神明
03-24 4845
文章目录Coarse-to-Fine Region Selection and Matching0 Abstract1 Contribution2 Coarse-to-Fine Matching Algorithm2.1 Coarse-to-Fine Region Selection2.2 Coarse-to-Fine Affine Search2.3 Cost Savings of the Affine Hierarchy3 Theoretical Justification3.1 Justificati
16. Segmentation
astralcon的博客
11-24 1873
Segmentation 1. Segmentation: Generalized Base/Bounds 我们可以看一下（Figure 16.1），尽管每个CPU都有一对硬件寄存器（base register和bounds register），但是还是不可避免的会产生内存浪费（阴影部分表示未被使用）。为了解决这个问题，就引入了segmentation：既然每一个MMU（内存管理单元）有一对base register和bounds register，为什么不设置成每个地址空间逻辑分段都有一对base r
自编码器及变分自编码器VAE
qq_42373212的博客
06-22 1181
目录Auto-Encoder定义形式目标示意图变形特点变分自编码器公式推导本质与GAN的区别 Auto-Encoder 定义 定义：Auto-Encoder是一种通过无监督的方式来学习一组数据的有效表示。 形式 形式：原始D维样本->Encoder->M维->Decoder->D维 目标 目标：自编码器的学习 目标是最小化重构误差，即经过Decoder还原的向量与原始向量相差最小。 示意图 变形 稀疏自编码器 基本的自编码器通常是学习低维的编码，当需要学习的隐藏维度D大于样本的
语义分割: 一文读懂 OCRNet
weixin_46142822的博客
04-01 1万+
前言 hrnet_ocr 是 Semantic Segmentation on Cityscapes test 中目前排名第一的语义分割模型，其将高分辨网络hrnet 和 OCR方法相结合，本文主要介绍OCR方法。 OCR提出背景：使用一般性的ASPP方法如图（a），其中红点是关注的点，蓝点和黄点是采样出来的周围点，若将其作为红点的上下文，背景和物体没有区分开来，这样的上下文信息对红点像素分类帮助有限。为改善此情况，提出OCR方法如图（b），其可让上下文信息关注在物体上，从而为红点提供更有用的信息。 图
【计算机视觉 | 语义分割】干货：语义分割常见算法介绍合集（三）
wzk4869的博客
09-14 1537
【计算机视觉 | 语义分割】干货：语义分割常见算法介绍合集（三）
【语义分割】一篇看完就懂的最新深度语义分割模型综述
AI算法修炼营的博客
02-10 2万+
点击上方“AI算法修炼营”，选择加星标或“置顶”标题以下，全是干货引言语义分割结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的...
ECCV2020语义分割——Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution
Dujing2019的博客
10-22 3333
Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution（一）动机 Motivation（二）创新 Innovation（三）SPVConv: Designing Effective 3D Modules3.1 Point-Voxel Convolution: Coarse Voxelization3.2 Sparse Convolution: Aggressive Downsampling3.3 Solution: S
Prototype-Based Pseudo-Label Refinement for Semi-Supervised Hyperspectral Image Classification
最新发布
09-15
仅给定的三条引用内容未涉及“基于原型的伪标签细化方法用于半监督高光谱图像分类”以及 “Prototype-based pseudo-label refinement for semi-supervised hyperspectral image classification” 的相关信息，无法...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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