CV计算机视觉

语义分割经典算法DeepLabv3的升级版。代码已开源。

语义分割经典论文DeepLabv3解读。代码已开源。

BiSeNetv2：语义分割经典网络BiSeNet的升级版本，代码已开源。

引用量超1400的经典语义分割方法BiSeNet解读

今天和大家分享CVPR2021中语义分割领域的一篇文章，面向半监督语义分割领域。论文下载链接：https://arxiv.org/abs/2106.01226代码下载链接：https://github.com/charlesCXK/TorchSemiSeg0.动机训练语义分割任务的卷积神经网络通常需要像素级别（pixel-level）的人工标注，相比于其他视觉任务，这种标注信息较为昂贵。因此，使用半监督方法，利用带标注信息的数据和无标注信息的数据一起训练语义分割网络是很有意义的。作者提出了cro

今天和大家分享CVPR2021中语义分割领域的一篇论文，论文标题及作者如下图所示：论文下载地址：https://arxiv.org/abs/2104.13188代码即将开源：https://github.com/MichaelFan01/STDC-Seg0.动机深度学习促进了计算机视觉领域中语义分割算法的发展；随着自动驾驶、视频监控等应用场景的迫切需求，面向终端的轻量化语义分割网络被广泛研究。为了减少算法的耗时，一些诸如DFANet、BiSeNetV1的语义分割算法使用了轻量化backbone，

今天和大家分享一篇发表在CVPR2021上的语义分割论文，面向域自适应语义分割领域。论文下载地址：https://arxiv.org/abs/2105.00097代码下载地址：https://github.com/visinf/da-sac0.动机无监督的域自适应（Unsupervised domain adaptation，UDA）解决无标签测试数据和带标签训练数据分布不一致问题。在语义分割领域中，相比于手工或者半手工标注真实世界的标签，使用合成的数据集和标签有更低的成本。近年来，多种用于解

今天和大家分享一篇语义分割领域比较有影响力的论文，这篇论文发表在了TPAMI2017上。0.动机在这篇文章之前，很多基于深度学习的语义分割方法，都是直接套用为图像分类设计的卷积神经网络。使用这种方法进行语义分割往往容易导致分割结果过于粗糙。专用于图像分类的网络中存在很多max pooling操作，max pooling操作减小了feature map的尺寸，不利于得到精细的分割结果。作者提出了端到端的SegNet算法，解决从深层小尺寸feature map到大分辨率分割结果的映射问题，提高了语义分

今天和大家分享一篇发表在CVPR2015上的文章：代码地址：https://github.com/shelhamer/fcn.berkeleyvision.orgFCN可以说是使用CNN进行语义分割的一篇里程碑式的文章，作者通过对当时几种比较流行的分类网络（AlexNet、VGG、GoogLeNet）做一些结构调整，将其应用到了语义分割任务中。0.动机语义分割任务是对输入图片中的每个像素进行分类，将组成同一类物体的像素分为同一类别，输入图像和语义分割结果如下图所示，下图第二列中相同颜色的像素属于同