×

一种用于语义图像分割的正则卷积神经网络。 (英语) Zbl 1462.68211


理学硕士:

68U10 图像处理的计算方法
68T07型 人工神经网络与深度学习
90度90度 数学规划的应用
PDF格式 BibTeX公司 XML 引用

参考文献:

[1] Badrinarayanan,V.,Kendall,A.和Cipolla,R.,Segnet:用于图像分割的深度卷积编解码器体系结构,IEEE Trans。肛门模式。机器。因特尔。39(12)(2017)2481-2495。
[2] 五十、 Barghout和L.Lee,感知信息处理系统,美国专利应用程序。10/618543(2004年)。
[3] Brostow,G.J.,Shotton,J.,Fauqueur,J.和Cipolla,R.,《利用运动点云的结构进行分割和识别》,载于《欧洲形态计算机视觉》(Springer,Marseille,France,2008),第44-57页。
[4] 钱伯勒,A.,《全变差最小化算法及其应用》,数学杂志。图像。维斯。20(1-2)(2004)89-97·Zbl 1366.94048号
[5] Chambolle,A.和狮子,P.-L。,基于总变差最小化的图像恢复及相关问题。数学。76(2)(1997)167-188·Zbl 0874.68299
[6] 陈,L.-C。,Papandreou,G.,Kokkinos,I.,Murphy,K.和Yuille,A.L.,Deeplab:使用深卷积网、阿托鲁斯卷积和完全连接的CRF进行语义图像分割,IEEE Trans。肛门模式。机器。因特尔。(2018年4月40日)834-848。
[7] Erhan,D.,Szegedy,C.,Toshev,A.和Anguelov,D.,《使用深度神经网络的可伸缩目标检测》,正在进行中。IEEE Conf.计算机视觉与模式识别(美国俄亥俄州哥伦布市,2014年),第2147-2154页。
[8] Girshick,R.,Donahue,J.,Darrell,T.和Malik,J.,用于精确对象检测和语义分割的丰富特征层次,in Proc。IEEE Conf.计算机视觉与模式识别(美国俄亥俄州哥伦布市,2014年),第580-587页。
[9] Hariharan,B.,Arbeláez,P.,Girshick,R.和Malik,J.,《同步检测和分割》,欧洲形态计算机视觉(Springer,Zürich,Switzerland,2014),第297-312页。
[10] He,K.,Zhang,X.,Ren,S.和Sun,J.,《深入研究整流器:在imagenet分类上超越人类水平的表现》,in Proc。IEEE国际会议,《计算机视觉》(智利圣地亚哥,2015年),第1026-1034页。
[11] 何K,张,X,任,S.和孙,J.,《图像识别的深度剩余学习》,正在进行中。IEEE Conf.计算机视觉与模式识别(美国内华达州拉斯维加斯,2016年),第770-778页。
[12] M、 Johnson Roberson,C.Barto,R.Mehta,S.N.Sridhar,K.Rosaen和R.Vasudevan,在矩阵中驾驶:虚拟世界能代替人类为现实世界任务生成的注释吗?arXiv:1610.01983。
[13] Krähenbühl,P.和Koltun,V.,具有高斯边缘电位的全连接CRF的有效推理,神经信息处理系统进展(西班牙格拉纳达,2011),第109-117页。
[14] Krizhevsky,A.,Sutskever,I.和Hinton,G.E.,《深卷积神经网络的图像网络分类》,神经信息处理系统进展(美国内华达州塔霍湖,2012年),1097-1105。
[15] 拉迪克ỳ, 五十、 ,Sturgess,P.,Alahari,K.,Russell,C.和Torr,P.H.S.,什么,在哪里,有多少?结合目标探测器和CRF,在欧洲配置计算机视觉(Springer,2010),第424-437页。
[16] LeCun,Y.,Bottou,L.,Bengio,Y.和Haffner,P.,《基于梯度的学习应用于文档识别》,Proc。IEEE86(11)(1998)2278-2324。
[17] 五十、 陈国强,帕潘德里欧,柯基诺斯,墨菲,尤耶,用深卷积网络和完全连通的crf进行语义图像分割,arXiv:1412.7062。
[18] Liu,W.,Anguelov,D.,Erhan,D.,Szegedy,C.,Reed,S.,Fu,C.-Y。Berg,A.C.,固态硬盘:单次多盒探测器,欧洲配置计算机视觉(Springer,阿姆斯特丹,荷兰,2016年),第21-37页。
[19] Long,J.,Shelhamer,E.和Darrell,T.,语义分割的完全卷积网络,in Proc。IEEE Conf.《计算机视觉与模式识别》(波士顿,马萨诸塞州,美国,2015年),第3431-3440页。
[20] Noh,H.,Hong,S.和Han,B.,用于语义分割的学习反褶积网络,in Proc。IEEE国际会议,《计算机视觉》(智利圣地亚哥,2015年),第1520-1528页。
[21] Ochs,P.,Ranftl,R.,Brox,T.和Pock,T.,具有非光滑低层问题的基于梯度的双层优化技术,J.数学。图像。维斯。56(2)(2016)175-194·Zbl 1352.65155
[22] 帕潘德里欧,G.,科基诺斯,I.和萨瓦勒,P.-A。,深度学习中的局部和全局变形建模:表位卷积、多实例学习和滑动窗口检测。IEEE Conf.《计算机视觉与模式识别》(波士顿,马萨诸塞州,美国,2015年),第390-399页。
[23] Ronneberger,O.,Fischer,P.和Brox,T.,U-Net:生物医学图像分割的卷积网络,国际会议医学图像计算和计算机辅助干预(Springer,Munich,Germany,2015),第234-241页。
[24] Rudin,L.I.,Osher,S.和Fatemi,E.,基于非线性全变差的噪声去除算法,Physica D60(1-4)(1992)259-268·Zbl 0780.49028
[25] P、 Sermanet,D.Eigen,X.Zhang,M.Mathieu,R.Fergus和Y.LeCun,Overfeat:使用卷积网络进行集成识别、定位和检测,arXiv:1312.6229。
[26] Shapiro,L.和Stockman,G.C.,计算机视觉(Prentice Hall,2001)。
[27] Shotton,J.,Johnson,M.和Cipolla,R.,用于图像分类和分割的语义文本森林,IEEE Conf.计算机视觉和模式识别(CVPR 2008)。(IEEE,2008),第1-8页。
[28] Sturgess,P.,Alahari,K.,Ladicky,L.和Torr,P.H.S.,结合外观和结构从运动特征理解道路场景,在BMVC英国机器视觉会议BMVA(伦敦,英国,2009年),第62.1-62.11页。
[29] 吴,C.和泰,X.-C。,增广拉格朗日法,对偶方法,分裂bregman迭代法,向量电视和高阶模型,暹罗J。Imag。科学。3(3)(2010)300-339·Zbl 1206.90245
[30] Zeiler,M.D.和Fergus,R.,《可视化和理解卷积网络》,载于《欧洲计算机视觉》(Springer,Zürich,瑞士,2014),第818-833页。
[31] Zhao,H.,Shi,J.,Qi,X.,Wang,X.和Jia,J.,金字塔场景解析网络,IEEE Conf.计算机视觉与模式识别(CVPR)(美国夏威夷檀香山,2017),第2881-2890页。
[32] Zheng,X.,Wang,Y.,Wang,G.和Liu,J.,《通过自监督学习快速鲁棒分割白细胞图像》,Micron107(2018)55-71。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。