01 2018 档案
摘要：往期回顾 在上一篇文章中，我们已经掌握了机器学习的基本套路，对模型、目标函数、优化算法这些概念有了一定程度的理解，而且已经会训练单个的感知器或者线性单元了。在这篇文章中，我们将把这些单独的单元按照一定的规则相互连接在一起形成神经网络，从而奇迹般的获得了强大的学习能力。我们还将介绍这种网络的训练算法：
阅读全文
摘要：这篇文章的主要贡献点在于： 1.实验证明仅仅利用图像整体的弱标签很难训练出很好的分割模型； 2.可以利用bounding box来进行训练，并且得到了较好的结果，这样可以代替用pixel-level训练中的ground truth； 3.当我们用少量的pixel-level annotations和
阅读全文
摘要：这篇论文主要介绍了如何使用图片级标注对像素级分割任务进行训练。想法很简单却达到了比较好的效果。文中所提到的loss比较有启发性。 大体思路： 首先同FCN一样，这个网络只有8层（5层VGG，3层全卷积）。不同的是由于图片只有image-level的标注，所以输出图像的清晰度无法保证，所以没有反卷积。
阅读全文
摘要：作者：李洲链接：https://www.zhihu.com/question/20169638/answer/18205965来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 转载一个对我帮助很大的研究生手册，作者是台湾清华大学的彭明辉教授。比较长，但绝对值得一读。就我
阅读全文
摘要：一、FCN中的CNN 首先回顾CNN测试图片类别的过程，如下图： 主要由卷积，pool与全连接构成，这里把卷积与pool都看作图中绿色的convolution，全连接为图中蓝色的fully connected。卷积主要是获取高维特征，pool使图片缩小一半，全连接与传统神经网络相似作为权值训练，最后
阅读全文
摘要：译文 摘要：在深度卷积网络（ConvNet）的帮助下，边缘检测已经取得了重大进展。基于ConvNet的边缘检测器在标准基准测试中达到了人类水平。我们提供了对于这些检测器输出的系统研究，且经研究表明它们没有准确定位边缘，这对于需要清晰的边缘输入的任务来说可能是背道而驰的。此外，我们提出了一种新颖的细化
阅读全文
摘要：文章采用了多实例学习（MIL）机制构建图像标签同像素语义的关联 。 该方法的训练样本包含了70 万张来自ImageNet的图片，但其语义分割的性能很大程度上依赖于复杂的后处理过程，主要包括图像级语义的预测信息、超像素平滑策略、物体候选框平滑策略和 MCG分割区域平滑策略。 下图是论文所用方法的一般性
阅读全文
摘要：图像语义分割，简单而言就是给定一张图片，对图片上的每一个像素点分类。 图像语义分割，从FCN把深度学习引入这个任务，一个通用的框架事：前端使用FCN全卷积网络输出粗糙的label map，后端使用CRF条件随机场/MRF马尔科夫随机场等优化前端的输出，最后得到一个精细的分割图。 前端 为什么需要FC
阅读全文
摘要：发表于2015年这篇《Fully Convolutional Networks for Semantic Segmentation》在图像语义分割领域举足轻重。 1 CNN 与 FCN 通常CNN网络在卷积层之后会接上若干个全连接层, 将卷积层产生的特征图(feature map)映射成一个固定长度
阅读全文
摘要：写在前面：一篇魏云超博士的综述论文，完整题目为《基于DCNN的图像语义分割综述》，在这里选择性摘抄和理解，以加深自己印象，同时达到对近年来图像语义分割历史学习和了解的目的，博古才能通今！感兴趣的请根据自己情况找来完整文章阅读学习。 图像的语义分割是计算机视觉中重要的基本问题之一，其目标是对图像的每个
阅读全文
摘要：论文题目是STC，即Simple to Complex的一个框架，使用弱标签（image label）来解决密集估计（语义分割）问题。 2014年末以来，半监督的语义分割层出不穷，究其原因还是因为pixel级别的GroundTruth太难标注，因此弱监督成了人们研究的一个热门方向。 作者的核心思想是
阅读全文
摘要：文章给的定义是： 数据集的标签是不可靠的，如（x，y），y对于x的标记是不可靠的。这里的不可靠可以是标记不正确，多种标记，标记不充分，局部标记等。 在实际应用中的学习问题往往以混合形式出现,如多标记多示例、半监督多标记、弱标记多标记等。针对监督信息不完整或不明确对象的学习问题统称为弱监督学习。 弱监
阅读全文
