AI小作坊 的博客

End-to-End Instance Segmentation with Recurrent Attention CVPR2017 https://github.com/renmengye/rec-attend-public本文针对 Instance Segmentation 使用 recurrent neural network (RNN) architecture 将每个物体依次定位分

Deep Watershed Transform for Instance Segmentation CVPR2017 https://github.com/min2209/dwt本文将传统的 watershed transform 分割算法 结合 CNN网络 实现 物体分割首先来回顾一下 instance level segmentation 都有哪些方法： 1）Proposal bas

Mix-and-Match Tuning for Self-Supervised Semantic Segmentation AAAI Conference on Artificial Intelligence (AAAI) 2018 http://mmlab.ie.cuhk.edu.hk/projects/M&M/ https://github.com/XiaohangZhan/mix-an

语义分割 Global Deconvolutional Networks for Semantic Segmentation BMVC 2016 https://github.com/DrSleep/GDN基于CNN的语义分割在近两年得到飞速的发展，但是这种 pixel-wise labelling with CNNs has its own unique challenges: 特征图

One-Shot Video Object Segmentation CVPR2017 http://www.vision.ee.ethz.ch/~cvlsegmentation/osvos/One-Shot Video Object Segmentation，基于单帧标记的视频物体分割，对于一个视频中的某一个物体，我们只提供一张训练样本，怎么把视频里所有的该物体分割出来？ 上图第一张图像

Learning to Segment Instances in Videos with Spatial Propagation Network CVPRW2017 https://github.com/JingchunCheng/Seg-with-SPN本文针对视频中多目标运动物体分割问题，instance-level object segmentation 提出使用 CNN 网络分三个步骤来

基于单张训练样本的视频运动物体分割 Video Object Segmentation Without Temporal Information One-Shot Video Object Segmentation http://www.vision.ee.ethz.ch/~cvlsegmentation/osvos/图像语义匹配 SCNet: Learning Semantic Corre

Learning Motion Patterns in Videos CVPR2017 Torch code： http://thoth.inrialpes.fr/research/mpnet 本文要解决的问题是 determining whether an object is in motion, irrespective of camera motion， 注意这里的相机是可以运动

Object Region Mining with Adversarial Erasing: A Simple Classification to Semantic Segmentation Approach CVPR2017怎么将只有图像标签的训练图像用于语义分割的训练，这里我们提出使用一个分类网络来讲训练图像中的物体进行分割，得到像素标记的训练图像，同时提出一个 online prohibi

Effective Use of Dilated Convolutions for Segmenting Small Object Instances in Remote Sensing Imagery https://arxiv.org/abs/1709.00179针对卫星图像中的小目标分割问题，本文从 dilated convolution 的有效使用给出了解决方法，主要是 先 increa

Deep Dual Learning for Semantic Image Segmentation ICCV2017针对语义分割问题，本文提出了一个 dual image segmentation (DIS)系统 利用一部分 per-pixel labelmaps的训练样本和 一部分 image-level tags 的样本 进行联合训练，得到较好的分割结果。本文定义了一些符号： I 输入图

BlitzNet: A Real-Time Deep Network for Scene Understanding ICCV2017 Project: http://thoth.inrialpes.fr/research/blitznet/ Code: https://github.com/dvornikita/blitznet本文在 SSD 基础上改进提出 BlitzNet，使其

Deep Feature Flow for Video Recognition CVPR2017 Code: https://github.com/msracver/Deep-Feature-Flow基于单帧的目标检测和分割已经做的比较成熟，但是基于视频的目标检测和分割目前还是有问题的，最主要的问题就是直接将单帧的算法用于视频，计算量比较大，做不到实时。这里我们只对关键帧计算CNN特征提取，然后

Full-Resolution Residual Networks for Semantic Segmentation in Street Scenes CVPR2017 Theano/Lasagne code：https://github.com/TobyPDE/FRRN针对语义分割问题，本文侧重于分割中的物体边界精度， precise boundary adherence 通过两个 str

The One Hundred Layers Tiramisu: Fully Convolutional DenseNets for Semantic Segmentation CVPRW 2017 Code: https://github.com/SimJeg/FC-DenseNet本文将 DenseNets 按照 FCN 方式用于 语义分割首先看看 DenseNets 该网络主要由 d

Efficient Deep Models for Monocular Road Segmentation code: https://lmb.informatik.uni-freiburg.de/Publications/2016/OB16b/针对路面检测和分割问题，本文结合FCN 和 U-Net 提出一个网络，在速度和精度方面得到不错的效果 KITTI benchmark lane/ro

Efficient and Robust Deep Networks for Semantic SegmentationCode: https://lmb.informatik.uni-freiburg.de/Publications/2017/OB17a/在 Up-Convolutional Networks 的基础上，提出了 Part-Net，Fast-Net，M-Net。 三个网络的侧重点不

Stacked fully convolutional networks with multi-channel learning: application to medical image segmentationhttps://link.springer.com/article/10.1007/s00371-017-1379-4本文将 FCN 用于医学图像分割，但是直接将FCN用于医学图像分割存在

Topology Aware Fully Convolutional Networks For Histology Gland SegmentationLecture Notes in Computer Science, Medical Image Computing and Computer-Assisted Intervention (MICCAI), volume 9900, pages 46

U-Net: Convolutional Networks for Biomedical Image Segmentation https://arxiv.org/abs/1505.04597 Code: https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/这里我们将 FCN 修改为 U-Net，主要是上采样阶段，我们同样也有

Segmentation of Medical Ultrasound Images Using Convolutional Neural Networks with Noisy Activating Functionshttp://cs229.stanford.edu/proj2016/report/Li-SegmentationOfMedicalUltrasoundImagesUsingConvo

Fully Convolutional Networks for Semantic Segmentation语义分割 FCN 算法 这里主要说一下 FCN-32s 、FCN-16s 、FCN-8s 三个分割结果是怎么得到的，从而知道FCN中的特征到底是怎么融合的？首先来看看 最粗糙的分割结果 FCN-32s 是怎么得到的？ 我们通过将全连接层变为卷积层，实现分类器变身稠密预测即分割 Ada

Learning Object Interactions and Descriptions for Semantic Image Segmentation CVPR2017本文主要是从训练数据的角度来提升CNN分割性能的。由于像素级别标记的样本很少，制作样本成本高。这里直接根据关键词从网络上搜索相关图像，建立了一个数据库 IDW， 结合 VOC12上面的训练数据联合训练，对此设计了一个 IDW-C

Large Kernel Matters–Improve Semantic Segmentation by Global Convolutional Network https://arxiv.org/abs/1703.02719语义分割问题需要同时解决两个问题：classification 和 localization， 将图像中的每个物体精确分割出来，同时对每个物体进行分类。分类和定位这两个

LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentationhttps://arxiv.org/abs/1707.03718Torch7 code: https://github.com/e-lab/LinkNet本文主要侧重语义分割的速度问题，算法思路类似 U-Net，引入了 residual blo

Rethinking Atrous Convolution for Semantic Image Segmentation https://arxiv.org/abs/1706.05587v1代码还没开源本文主要还是在DeepLab 基础上进一步完善。一个是加入 Multigrid ，第二个是改进 Atrous Spatial Pyramid Pooling，加入 image-level fea

Dilated Residual NetworksCVPR2017http://vladlen.info/publications/dilated-residual-networks/这里转载了 http://blog.csdn.net/fx677588/article/details/71308096 1. Background　　　 　　这次我来介绍一篇

Dilated Residual Networks CVPR2017 http://vladlen.info/publications/dilated-residual-networks/ 本文针对当前卷积分类网络对输入图像进行一系列降采样处理，得到的特征图尺寸很小（一般7×7），导致spatial information 损失比较严重。这里我们对性能比较好的 residual networks

Loss Max-Pooling for Semantic Image Segmentation CVPR2017 https://arxiv.org/abs/1704.02966本文采用偏数学语言的角度来描述语义分割样本类别分布不均匀问题，提出一个方法 Pixel-Loss Max-Pooling本文主要解决什么问题了？ 针对语义分割训练样本类别分布不均匀问题 handle imbalan

Weakly Supervised Semantic Segmentation using Web-Crawled Videos CVPR2017https://arxiv.org/abs/1701.00352一不小心看到了一篇关于弱监督的语义分割的文献，这才发现仅一个弱监督语义分割就是大坑啊，看看这篇文章的参考文献就知道了。与弱监督对应的就是强监督语义分割，即我们平时所说的语义分割，训练样本就是

Mask R-CNN https://arxiv.org/pdf/1703.06870大神都去哪了？ Facebook AI Research (FAIR) 越来越厉害了，强强联合Code will be made available本文主要讲 FasterR-CNN 拓展到图像分割上，提出了 Mask R-CNN 简单快捷的解决 Instance segmentation，什么是 Instanc

CVPR2015 PAMI 2016 Code: https://github.com/shelhamer/fcn.berkeleyvision.org本文是将深度学习用于图像分割的经典之作。 实现图像端对端训练，像素到像素的分割。核心思想就是逐层利用不同尺寸的卷积特征图信息获得更好的分割效果。看图说话吧 上图上半部分是传统的卷积网络对图像块进行的分类，会对每个类别给出一个概率。上面最后

PixelNet: Representation of the pixels, by the pixels, and for the pixels Code: https://github.com/aayushbansal/PixelNet http://www.cs.cmu.edu/~aayushb/pixelNet/从低层次的边缘检测到中层次的 surface normal estimati

Multi-scale context aggregation by dilated convolutions ICLR 2016https://arxiv.org/abs/1511.07122Code: https://github.com/fyu/dilation https://github.com/bordesf/dilation针对语义分割问题 semantic segmenta

Understanding Convolution for Semantic Segmentation https://arxiv.org/abs/1702.08502v1 模型 https://goo.gl/DQMeun针对语义分割问题，我们从两个方面进行改善，一个是dense upsampling convolution (DUC) 代替 Bilinear upsampling，另一个是用

ParseNet: Looking Wider to See Better ICLR2016 https://github.com/weiliu89/caffe/tree/fcn本文主要在语义分割问题中引入 global context 信息来提升分割精度首先指出 FCN 丢弃了全局信息 FCN disregards global information about an image, th

Pyramid Scene Parsing Network 语义分割 https://github.com/hszhao/PSPNet针对 FCN 中没有 context 信息，本文提出的 PSPNet 网络嵌入了 global context 信息来提升分割效果2 Related Work对于 scene parsing 和 semantic segmentation 任务， 深度卷积网

Instance-sensitive Fully Convolutional Networks ECCV2016Instance-sensitive 这里是什么意思了， FCN 语义分割对同一类型的对象是不区分的，Instance-sensitive 就是区分同一类型的对象。 上图 c 就是 semantic segmentation， d 是 instance segmentation本文

Fully Convolutional Instance-aware Semantic Segmentation CVPR2017 https://github.com/msracver/FCIS本文是以 FCN 【29】为基础，提出 FCIS ，一个网络可以同时完成 分割和检测类别信息。首先来看看FCIS 的网络结构图: 输入图像，使用CNN 提取特征，用 RPN 提取候选区域矩形框，计

Not All Pixels Are Equal: Difficulty-Aware Semantic Segmentation via Deep Layer CascadeCVPR2017本文针对语义分割问题，引入Cascade思想，将图像像素根据分割难易度分为三个等级：Easy、Moderate、Hard ，分别用CNN网络的浅层、中层、高层完成分割。降低运算量同时提高分割精度 上图显示实际图