城市景观

用于语义城市场景理解的城市景观数据集。对复杂的城市街道场景的视觉理解是广泛应用的一个有利因素。对象检测从大规模数据集中受益匪浅,特别是在深度学习的背景下。然而,对于语义城市场景的理解,目前还没有一个数据集能够充分地捕捉到真实世界中城市场景的复杂性。为了解决这个问题,我们引入了Cityscapes、一个基准测试套件和一个大规模的数据集来训练和测试像素级和实例级语义标记的方法。城市景观由50个不同城市的街道上录制的大量不同的立体视频序列组成。其中5000幅图像具有高质量的像素级注释;20000个额外的图像具有粗略的注释,以支持利用大量弱标记数据的方法。关键的是,我们的工作在数据集大小、注释丰富性、场景可变性和复杂性方面超过了以前的尝试。我们附带的实证研究提供了对数据集特征的深入分析,以及基于我们的基准测试的几种最先进方法的性能评估。


zbMATH中的参考文献(参考文献21条,1标准件)

显示第1到第20个结果,共21个。
按年份排序(引用)
  1. 瓦尔德,乔安娜;纳瓦布,纳西尔;Tombari,Federico:使用实例嵌入学习3D语义场景图(2022)
  2. 于立涛;李志斌;徐敏;高永胜;罗洁波;张健:图像语义分割的分布感知边缘校正(2022)
  3. 巴罗克劳夫,奥利弗·J·D。;格奥尔格,蒙廷格;纳纳马拉,瓦拉塔拉扬;Stangeby,Ivar:使用隐式样条表示和深度学习的医学图像二值分割(2021)
  4. 加兰蒂,托默;贝纳姆,萨吉;Wolf,Lior:IPMs无监督跨域映射的风险界(2021)
  5. 李浩良;万人杰;王世琦;Kot,Alex C.:通过分离表征学习在野外的无监督域适应(2021)
  6. Marcos Nieto,Orti Senderos,Oihana Otaegui:推进人工智能应用:复杂数据集的标记格式(2021)不是zbMATH
  7. 苏尚,雅各布;巴特,梅赫尔;Varadarajan,Srikrishna:用于自主驾驶的常识视觉感知——关于整合视觉和语义的广义神经符号在线诱拐(2021)
  8. 王正阳;季水旺:平滑扩张卷积用于改进的稠密预测(2021)
  9. 袁玉辉;黄、郎;郭建元;张超;陈锡林;王敬东:面向对象上下文的语义分割(2021)
  10. 赫恩,托马斯M。;库伊,朱利安F.P。;Hamprecht,Fred A.:决策树和森林的端到端学习(2020)
  11. 李可;彭世冲;张天豪;Malik,Jitendra:基于条件隐式最大似然估计的多模态图像合成(2020)
  12. 萨姆索诺夫,北卡罗来纳州。;格努舍夫,A.N。;Matveev,I.A.:在Radon变换空间中通过描述符训练分类器(2020)
  13. 邵文琪;李靖宇;任家民;张瑞茂;王晓刚;Luo,Ping:SSN:通过SparsestMax学习稀疏可切换规范化(2020)
  14. 宋太勇;金,杨绛;哦,昌宰;张显雄;哈,南古;Sohn,Kwanghoon:同时进行深度立体匹配和特征注意去噪(2020)
  15. 瓦拉达,阿比纳夫;莫汉,罗希特;Burgard,Wolfram:多模式语义分割的自监督模型自适应(2020)
  16. 王勇;张东方;戴光明:利用改进的U-Net对高分辨率卫星图像进行分类(2020)
  17. Jens Behley,Martin Garbade,Andres Milioto,Jan Quenzel,Sven Behnke,Cyrill Stachniss,Juergen Gall:SemanticKITTI:LiDAR序列语义场景理解数据集(2019)阿尔十四
  18. Patil A.,Malla S.,Gang H.,Chen Y.-T.:城市拥挤场景中全环绕3D多目标检测和跟踪的H3D数据集(2019)阿尔十四
  19. 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)
  20. 黄新宇,王鹏,程新静,周定福,耿启川,杨瑞刚:阿波罗场景开放式自动驾驶数据集及其应用(2018)阿尔十四