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