原创 16-FCNs in the Wild- Pixel-level Adversarial and Constraint-based Adaptation
如果訓練集和測試集數據沒有假設的特性，則直接測試，如果有，那麼可以先學習數據間的域變換特性，然後輔助分割。 動機 當訓練數據與測試數據不同域的時候，以前的方法很差 提出了無監督對抗方式對像素預測問題，包括全局和類別特別的適應
2020-05-30 19:20:15
7
原创 HetConv--Heterogeneous-Kernel-Based-Convolutions-for-Deep-CNNs
when CVPR 2019 what 對於深度卷積神經網絡而言，準確度和計算成本往往難以得兼，研究界也一直在探索通過模型壓縮或設計新型高效架構來解決這一問題。印度理工學院坎普爾分校的一篇 CVPR 論文則給出了一個新的思路
2019-06-11 08:19:22
4
原创 Deep-Clustering-for-Unsupervised-Learning-of-Visual-Features
核心觀點 who Facebook AI Research 2019 what 聚類(Cluster) 是一種經典的無監督學習方法，但是鮮有工作將其與深度學習結合。這篇文章提出了一種新的聚類方法DeepCluster，將端到
2019-05-10 10:52:08
8
原创 19-Self-supervised-Visual-Feature-Learning-with-Deep-Neural-Networks-A-Survey
who Longlong Jing and Yingli Tian ∗ , Fellow, IEEE 2019- what 爲了避免收集和註釋大規模數據集的大量成本，作爲無監督學習方法的子集，提出了自我監督學習方法，以從大規模未
2019-05-06 03:35:48
35
原创 18-Rethinking-ImageNet-Pre-training
what 在目標檢測和實例分割兩個領域，我們使用隨機初始化方法訓練的模型，在 COCO 數據集上取得了非常魯棒的結果。其結果並不比使用了 ImageNet 預訓練的方法差，即使那些方法使用了 MaskR-CNN 系列基準的超參數。在
2019-01-19 17:46:13
3
原创 18-Learning-a-Discriminative-Feature-Network-for-Semantic-Segmentation
when CVPR 2018 what 在大量的計算機視覺應用中，語義分割是一項不可或缺的底層技術。 曠視科技Face++近期發表的一篇 CVPR 2018 收錄論文《Learning a Discriminative Fea
2019-01-17 17:42:52
1
原创 Encoder-Decoder-with-Atrous-Separable-Convolution-for-Semantic-Image-Segmentation
when ECCV 2018 what 空間金字塔池模塊或編碼 - 解碼器結構用於深度神經網絡中解決語義分割任務。 前一種網絡能夠通過利用多個速率和多個有效視場的過濾器或池化操作探測輸入特徵來編碼多尺度上下文信息，而後一種網絡
2019-01-16 17:47:45
4
原创 18-CCNet-Criss-Cross-Attention-for-Semantic-Segmentation
how 下圖藍色點爲待處理像素點 ,處理後得到結果爲紅色點 : （a）是Non-local，含藍色中心的feature map是輸入，分爲上下兩個分支處理： 深綠色分支代表已經完成Non-local操作，得到了 (綠
2019-01-13 18:00:56
1
原创 18-DenseASPP-for-Semantic-Segmentation-in-Street-Scenes
when CVPR 2018 what 使用擴張卷積(Atrous Convolution)能夠在不犧牲特徵空間分辨率的同時擴大特徵接收野，DeepLab系列工作結合多尺度信息和擴張卷積的特點提出了ASPP模塊，將不同擴張率的
2019-01-13 18:00:56
13
原创 18-Non-local-Neural-Networks
when CVPR 2018 何凱明 RGB what 提出了“非局部神經網絡”。受計算機視覺中的經典非局部均值方法的啓發而來，非局部網絡可以作爲一個簡單高效的通用模塊，嵌入現有視覺模型中，實驗證明能夠提高圖像及視頻分類精度，用
2019-01-12 13:57:49
1
原创 Revisiting-Dilated-Convolution-A-Simple-Approach-for-Weakly-and-Semi-Supervised
when 魏雲超組的18年 cvpr spot who 弱監督語義分割問題的新方法，用擴張卷積得到注意力圖，可能能夠在GAIN的大框架上面修改 why 提出 儘管弱監督分割方法取得了顯着的進步，但仍然不如全監督的方法。我們認
2019-01-05 18:17:28
原创 Learning-Pixel-level-Semantic-Affinity-with-Image-level-Supervision
paper when cvpr18，目前top榜第一。有代碼。 who 基於像素級標籤的圖像語義分割 why 提出 分割標籤的不足是在自然環境中使用語義分割的主要障礙之一。 爲了解決這個問題，我們提出了一種新穎的框架，可
2019-01-04 16:31:30
原创 18-Weakly-Supervised-Semantic-Segmentation-by Iteratively-Mining-Common-Object-Features
when CVPR 2018 who（影響了誰） 圖像標籤監督下的弱監督語義分割是一項具有挑戰性的任務，因爲它直接將高級語義與低級別外觀相關聯。爲了彌合這一差距，在本文中，我們提出了一個迭代的自下而上和自上而下的框架，它可以擴展
2018-12-30 18:45:17
6
原创 16-STC_A_Simple_to_Complex_Framework_for_Weakly-supervised_Semantic_Segmentation
主要思想 作者的核心思想是提出了層層遞進的三個DCNN，用前一個CNN的結果來作爲下一個CNN的結果。 具體來講，作者一共訓練了三個網絡：Initial DCNN、Enhanced DCNN和Powerful DCNN。分別解釋如下：
2018-12-23 17:53:56
原创 16-Seed_expand_and_constrain Three_principles_for_weakly-supervised_image_segmentation
概括 Seeding Loss——對目標進行弱定位（weak localization）生成初始mask Expansion Loss——對弱定位的mask進行合理的擴大 Constrain-to-boundary Loss——對擴
2018-12-23 17:53:56