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

该文被密码保护。 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

摘要： 先说一下前期准备工作：自己的运行环境是Ubuntu16.04+caffe+CPU（这台电脑没有GPU）+python 关于python的搭建就不说了，网上随便一搜，很多参考资源。说一下我配置好caffe之后，编译python接口时遇到的问题，以及我用到的解决办法。 比较顺利地配置好caffe只后，到 阅读全文

摘要： 往期回顾 在上一篇文章中，我们已经学会了编写一个简单的感知器，并用它来实现一个线性分类器。你应该还记得用来训练感知器的『感知器规则』。然而，我们并没有关心这个规则是怎么得到的。本文通过介绍另外一种『感知器』，也就是『线性单元』，来说明关于机器学习一些基本的概念，比如模型、目标函数、优化算法等等。这些 阅读全文