语义分割(四)——语义分割进阶
source link: http://antkillerfarm.github.io/segmentation/2020/07/28/Segmentation_4.html
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
花式U-NET
U-NET的另类用法(续)
这方面的数据集主要有:
CCMixter:
https://members.loria.fr/ALiutkus/kam/
这个数据集的每个文件夹下有3个wav文件:
source-01.wav:纯音乐。
source-02.wav:人声。
mix.wav:混合后的声音。
MUSDB18:
https://sigsep.github.io/datasets/musdb.html
类似这样用法的还有:
《Learning to See in the Dark》
https://github.com/cchen156/Learning-to-See-in-the-Dark
如上图所示,该文的目标是使用神经网络替换传统的相机ISP过程。由于输入和输出的尺寸等大,照例又到了U-NET出场的时间。
为了实现这一目标,作者收集了一个新的原始图像数据集,在弱光条件下快速曝光。同时,每个微光图像都有相应的长曝光、高质量的参考图像。
SID算是这类问题的里程碑作品,后续还有:
《YOLO in the Dark》
这是将YOLO用于黑暗图像的目标检测的论文。
https://mp.weixin.qq.com/s/cr0BJLkyN2kW35-w1pebGQ
学习在黑暗中看世界(Learning to See in the Dark)
https://mp.weixin.qq.com/s/iv4ixoXvyPMp60hp2XhK8A
港中文&腾讯优图等提出:暗光下的图像增强
https://mp.weixin.qq.com/s/p2Vr9Y9vl4BlHZB_DIzTbw
基于深度学习的低光照图像增强方法总结(2017-2019)
https://mp.weixin.qq.com/s/E20ucf5bfexKYH4R7zK-WA
最好用的音轨分离软件spleeter
https://mp.weixin.qq.com/s/ONoBoCNFzoPh-rsVuiD6Jg
YOLO in the Dark让黑夜里的目标检测成为可能
https://mp.weixin.qq.com/s/6qyl0m0HHCqGkdHzacLkfA
字节跳动这项研究火了:基于残差UNet架构,一键分离伴奏和人声
https://www.zhihu.com/question/269914775
Unet神经网络为什么会在医学图像分割表现好?
https://mp.weixin.qq.com/s?__biz=MzIwMTE1NjQxMQ==&mid=2247488752&idx=3&sn=23f223fb82c64c14eb925ebd19d16fc5
图像分割中的深度学习:U-Net体系结构
https://zhuanlan.zhihu.com/p/55193930
Attention U-Net论文笔记
https://mp.weixin.qq.com/s/cumrVJPexV_BtCKoUprrLA
当UNet遇见ResNet会发生什么?
https://mp.weixin.qq.com/s/5rqCc_ozJNNFb1zYs8JOQQ
总结U-Net网络及他的变体
https://zhuanlan.zhihu.com/p/44958351
研习U-Net
https://mp.weixin.qq.com/s/_T-UP5aU88MfkSTUGBa-TQ
使用注意力机制来做医学图像分割的解释和Pytorch实现
https://zhuanlan.zhihu.com/p/159173338
FCN、Unet、Unet++医学图像分割那点事儿
https://mp.weixin.qq.com/s/TmR9TiB9cfvYGIhQTlctRQ
医学图像分割:UNet++
https://mp.weixin.qq.com/s/21h62T0Ig5gubVLwyLsdbg
U-Net Family方法汇总
https://mp.weixin.qq.com/s/d1mf-8c-mX5hRfH_FLlJIQ
医学图像语义分割最佳方法的全面比较:UNet和UNet++
https://mp.weixin.qq.com/s/w4EivVcZEA5JCdxYYAUOfA
Transformer-Unet:如何用Transformer一步一步改进Unet
语义分割进阶
https://mp.weixin.qq.com/s/_q8N8keNpcD-jXLrRd_8dw
深度学习时代下的语义分割综述
https://mp.weixin.qq.com/s/7EMDH-vuNCOHWmbpyWA3ow
基于深度学习的语义分割综述
https://zhuanlan.zhihu.com/p/412675982
实例分割综述总结综合整理版
https://mp.weixin.qq.com/s/IO4cUTgcFO9hCMT9hTCXiQ
图像分割2020总结:结构,损失函数,数据集和框架
https://mp.weixin.qq.com/s/YkFEXeVI7XAyvhGcO91m3w
2020年5篇图像分割算法最佳综述
https://blog.csdn.net/yorkhunter/article/details/104057159
arXiv综述论文“Image Segmentation Using Deep Learning: A Survey”
https://mp.weixin.qq.com/s/BSJ-F_Inp1-eHxSJDsQ3AQ
12篇文章带你逛遍主流分割网络
https://mp.weixin.qq.com/s/cANlqQAI-A2mC9vnd3imQA
Instance-Aware图像语义分割
https://mp.weixin.qq.com/s/v_TLYYq6cFWuwR9tXM8m-A
如何通过CRF-RNN模型实现图像语义分割任务
https://mp.weixin.qq.com/s/ceCC7Q6yr0QKESeZXi6lWQ
堆叠解卷积网络实现图像语义分割顶尖效果
https://mp.weixin.qq.com/s/V4_euZRcyyxeimXAA_waAg
贾佳亚:最有效的COCO物体分割算法
https://mp.weixin.qq.com/s/M1Oo4ST2aspgZF8UeSUDww
如何妙笔勾檀妆:像素级语义理解
https://www.zhihu.com/question/390783647
语义分割该如何走下去?
https://mp.weixin.qq.com/s/xalo2XtKtzR5tA_dPFzaJw
一文介绍3篇无需Proposal的实例分割论文
https://mp.weixin.qq.com/s/BL1xZ_YuuPe9frIc9E1fkA
南开大学提出新物体分割评价指标
https://mp.weixin.qq.com/s/3rfZUhio4Bk1RUGkEk5xoQ
ETH Zurich提出新型网络“ROAD-Net”,解决语义分割域适配问题
https://mp.weixin.qq.com/s/qMLCi-CghxvTcwyPnvFxnQ
ConvCRF:一种结合条件随机场与CNN的高效语义分割方法
https://mp.weixin.qq.com/s/deepxMWCpIEe3jk_kanfMg
金字塔注意力网络:一种利用底层像素与高级特征的语义分割网络
https://mp.weixin.qq.com/s/5n3jpvv_LxnHB0w4hsCEzQ
NVIDIA ECCV18论文:超像素采样网络助力语义分割与光流估计
https://mp.weixin.qq.com/s/MiChpWim5pGlRj88rcQtaA
谷歌等祭出图像语义理解分割神器,PS再也不用专业设计师!
https://mp.weixin.qq.com/s/J6UMzWSpcmSQVGwWKtm2Hw
UC伯克利提出基于自适应相似场的语义分割
https://zhuanlan.zhihu.com/p/43774180
提升密集预测的平滑的空洞卷积
https://mp.weixin.qq.com/s/sjD36kUDQ5iCmIKpR8_rlA
双重注意力网络:中科院自动化所提出新的自然场景图像分割框架
https://mp.weixin.qq.com/s/Sn3N8IxHtgp53Y0VLIPJCQ
17毫秒每帧!实时语义分割与深度估计
https://mp.weixin.qq.com/s/iNz82GUULxDndBIiGSArmQ
新开源!实时语义分割算法Light-Weight RefineNet
https://mp.weixin.qq.com/s/2QBifDubR5mMoJNKkdBNIw
多分辨率特征融合—RefineNet
https://mp.weixin.qq.com/s/1wqguIqDS4FNsS67Yj77Qw
牛津大学&Emotech首次严谨评估语义分割模型对对抗攻击的鲁棒性
https://mp.weixin.qq.com/s/EzfvKzs8Ue8i9x9TFgZ-CQ
爱奇艺蒙版AI:弹幕穿人过,爱豆心中坐
https://mp.weixin.qq.com/s/19uMhoNXEygLRTYT2PbsYQ
图像分割技术介绍
https://mp.weixin.qq.com/s/-wwDenAWRGCvJmprxsl15Q
基于多特征地图和深度学习的实时交通场景分割
https://mp.weixin.qq.com/s/ygWCfLnakHIwLVk7hRAKNg
全景分割任务介绍及其最新进展
https://mp.weixin.qq.com/s/ZN9ZYPTcgVP2c9mCx9Ox3g
全景分割这一年,端到端之路
https://mp.weixin.qq.com/s/x95XWQW2euTEcUW5vkIEoA
何恺明组又出神作!最新论文提出全景分割新方法(Panoptic FPN)
https://zhuanlan.zhihu.com/p/54510782
DANet论文笔记
https://www.zhihu.com/question/272988870
有关语义分割的奇技淫巧有哪些?
https://zhuanlan.zhihu.com/p/55263898
语义分割江湖的那些事儿——从旷视说起
https://mp.weixin.qq.com/s/x6MJqCz3Yvcbc9onEO8OMQ
语义分割:context relation
https://mp.weixin.qq.com/s/eLU-YNvV_QGc8HDK15P7Og
Fast-OCNet:更快更好的OCNet
https://zhuanlan.zhihu.com/p/56887843
MIT和Google等提出:新全景分割算法DeeperLab
https://mp.weixin.qq.com/s/1tohID6SM3weS476XU5okw
全景分割:Attention-guided Unified Network
https://mp.weixin.qq.com/s/ilQzQ-5RyiOYzS0RRMihLg
语义分割原理与CNN架构变迁
https://zhuanlan.zhihu.com/p/59141570
漫谈全景分割
https://mp.weixin.qq.com/s/fSaBskCxMkNwVXDtCI7ZZg
Decoders对于语义分割的重要性
https://mp.weixin.qq.com/s/eackv0HypWm3mTW9OAHv8g
旷视实时语义分割技术DFANet:高清虚化无需双摄
https://zhuanlan.zhihu.com/p/62652145
加州大学提出:实时实例分割算法YOLACT,可达33 FPS/30mAP!现已开源!
https://mp.weixin.qq.com/s/i6Qj5YyjLINxHSYuHckKzg
YOLACT++:更强的实时实例分割网络,可达33.5 FPS/34.1mAP!
https://mp.weixin.qq.com/s/27nzD9swpAcKfIv8CgvWJw
YOLACT: 首个实时one-stage实例分割模型,29.8mAP/33.5fps
https://mp.weixin.qq.com/s/Lz0Gk-1yDC4S9IQDcocxeA
YOLACT++: 实时实例分割,从29.8mAP/33.5fps到34.1mAP/33.5fps
https://mp.weixin.qq.com/s/8I7Lm5DMkVVlvw8v1L_HBA
多感受野的金字塔结构—PSPNet
https://mp.weixin.qq.com/s/TNHTvXmefRBlc6zfHW7C8A
全局特征与局部特征的交响曲—ParseNet
https://mp.weixin.qq.com/s/riS79dU5Zpzsl8vB64sPIg
BRNN下的RGB-D分割—LSTM-CF
https://zhuanlan.zhihu.com/p/67423280
无监督域适应语义分割
https://mp.weixin.qq.com/s/XTTzAkgVF-WMJT7IYWxJYg
病理图像的全景分割
https://mp.weixin.qq.com/s/HJzbMoCa7GenNm78sz7YAg
全景分割是什么?
https://mp.weixin.qq.com/s/PUHytS_nLKPjlrv8RYxo8A
一文看懂实时语义分割
https://zhuanlan.zhihu.com/p/77834369
语义分割中的Attention和低秩重建
https://mp.weixin.qq.com/s/wAWB2SLaqD2SmP9-j0Ut7g
速度提升一倍,无需实例掩码预测即可实现全景分割
https://mp.weixin.qq.com/s/LZNla-NKAu8wmi-OaJD8yA
旷视研究院推出可学习的树状滤波器,实现保留结构信息的特征变换
https://mp.weixin.qq.com/s/lTPm229gzV_9RU-aiY-xQg
2019年5篇图像分割算法最佳综述
https://mp.weixin.qq.com/s/n9Xdj5RKGR9cyXXNzxzvSw
基于深度学习的图像分割在高德的实践
https://blog.csdn.net/sanshibayuan/article/details/103642419
单阶段实例分割(Single Shot Instance Segmentation)
https://mp.weixin.qq.com/s/v_TTwTWx0lu2rJmxvzQQ4g
北航、旷视联合,打造最强实时语义分割网络
https://mp.weixin.qq.com/s/aSHhpMtgzV4_6NTElTvPIA
语义分割-多层特征融合
https://mp.weixin.qq.com/s/6EOkYdiVm0Lvkc24WiRbFg
基于自适应显着性的图像分割
https://mp.weixin.qq.com/s/WuWZS25aAWDLpVZQKuP2Tw
美团无人配送CVPR2020论文CenterMask解读
https://zhuanlan.zhihu.com/p/134111177
实例分割新思路: Deep Snake
https://mp.weixin.qq.com/s/81yI3xrDJJzy3MTGyqtUvw
基于深度卷积神经网络的小样本分割算法综述
https://mp.weixin.qq.com/s/1Z8EN9lWy5r0JIu8u61Rig
从注意力机制出发,上海交大提出实时语义分割新网络LRNNet
https://mp.weixin.qq.com/s/Zy9mCZOL8AneNjbvFpR3jg
即插即用!将双边超分辨率用于语义分割网络,提升图像分辨率的有效策略
https://mp.weixin.qq.com/s/V6ldPntqboIMIefQQtj4mw
CondInst:沈春华团队新作,将条件卷积引入实例分割
https://mp.weixin.qq.com/s/x8i6RbHy70zIQNeqHdOutQ
CondInst:性能和速度均超越Mask RCNN的实例分割模型
https://mp.weixin.qq.com/s/xk8OdEWNuydxEtyQNOgCaQ
语义分割的落地应用-故障检测与异常检测
https://mp.weixin.qq.com/s/gn3ETYW2TCsgV31Jz3Wxqw
OCRNet化解语义分割上下文信息缺失难题
https://mp.weixin.qq.com/s/mSz2LGPMgDPqlLPhKfOmFA
实例分割新思路之SOLO v1&v2深度解析
https://mp.weixin.qq.com/s/tMTtjrJLM-YgZy_K6T1deA
实时性语义分割算法大盘点
https://mp.weixin.qq.com/s/KdKbRy3fZVy0B5KeQCs6Mw
DCT-Mask用离散余弦变换Mask提升实例分割性能
https://mp.weixin.qq.com/s/Lj0hn0SH1uRqbuO8R9RaGA
用双注意力模块来做语义分割
https://mp.weixin.qq.com/s/BXSxJDsLxhHNtoYcbULmSw
使用图像分割来做缺陷检测的一个例子
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK