赛格网

SegNet:一种用于图像分割的深卷积编译码结构。提出了一种新颖实用的用于语义像素分割的深度全卷积神经网络结构SegNet。该核心可训练分割引擎由一个编码器网络、一个对应的解码网络和一个像素级分类层组成。编码器网络的结构在拓扑上与VGG16网络中的13个卷积层相同。解码器网络的作用是将低分辨率编码器的特征映射到全输入分辨率的特征映射,以进行像素级分类。SegNet的新颖之处在于解码器对其低分辨率输入特征映射进行上采样的方式。具体地说,解码器使用在对应编码器的最大池化步骤中计算的池索引来执行非线性上采样。这就消除了学习向上采样的需要。上采样的地图是稀疏的,然后用可训练的滤波器卷积得到稠密的特征地图。我们将我们提出的体系结构与广泛采用的FCN以及著名的DeepLab LargeFOV、DeconvNet架构进行了比较。这种比较揭示了实现良好分割性能所涉及的内存与精度的权衡。SegNet的主要动机是场景理解应用程序。因此,它被设计成在推理过程中在内存和计算时间方面都是有效的。与其他竞争体系结构相比,它在可训练参数的数量上也要少得多。在道路场景和sunrgb-D室内场景分割任务中,我们还执行了SegNet和其他架构的受控基准测试。与其他体系结构相比,SegNet在推理时间和推理内存方面具有更好的性能。我们还提供了一个SegNet的Caffe实现和一个http URL上的web演示http://mi.eng.cam.ac.uk/projects/segnet/


zbMATH中的参考文献(参考文献17条)

显示第1到17个结果,共17个。
按年份排序(引用)

  1. Alberto Gomez:MIPROT:MATLAB的医学图像处理工具箱(2021)阿尔十四
  2. 贾、范;刘军;泰雪成:正则化卷积神经网络在语义图像分割中的应用(2021)
  3. Philippe Apparicio,David Maignan,Jérémy Gelb:VIFECO:一个用于计算视频功能的开源软件(2021)不是zbMATH
  4. 阿莫索夫,O。S、 。;阿莫索娃,S。G、 。;芝加诺夫,S。五、 。;伊万诺夫,余。S、 。;帕什琴科,F。F、 :访问控制系统中使用深层神经网络识别连续视频流帧中的情况和对象的计算方法(2020年)
  5. 巴达尔,马亚姆;哈里斯,穆罕默德;Fatima,Anam:深度学习在视网膜图像分析中的应用:回顾(2020)
  6. 胡瑞萌:响应面排序的深度学习及其在最优停止问题中的应用(2020)
  7. 贾、范;泰雪成;刘军:用于图像分割的非局部正则化CNN(2020)
  8. 张海淼;董斌:医学图像重建中的深度学习综述(2020)
  9. 范玉伟;费利乌工厂à, 乔迪;林,林;英,乐星;泽佩达-Núñez,Leonardo:基于分层嵌套基的多尺度神经网络(2019)
  10. 范玉伟;林,林;英,乐星;泽佩达-Núñez,Leonardo:基于层次矩阵的多尺度神经网络(2019)
  11. 范玉伟;Orozco Bohorquez,辛迪;Ying,Lexing:BCR网络:基于非标准小波形式的神经网络(2019)
  12. 梅卡迪埃,马修;Lardy,Jean-Pierre:《使用随机森林回归法的信用利差近似和改进》(2019年)
  13. 张东坤;鲁,鲁;郭玲;Karniadakis,George Em:量化物理信息神经网络解决正反向随机问题的总不确定性(2019)
  14. 毛奇,卢卡斯;王春来;杨斌:基于深度学习的语义图像分割的相关图像分数可视化子集选择(2018)
  15. 萨哈,蒙乔伊;Chakraborty,Chandan:Her2Net:乳腺癌评估中细胞膜和细胞核语义分割和分类的深层框架(2018)
  16. 朱寅豪;Zabaras,Nicholas:代理建模和不确定性量化的贝叶斯深卷积编解码器网络(2018)
  17. Marius Cordts,Mohamed Omran,Sebastian Ramos,Timo Rehfeld,Markus Enzweiler,Rodrigo Benenson,Uwe Franke,Stefan Roth,Bernt Schiele:语义城市场景理解的城市景观数据集(2016)阿尔十四