Connectivity相关论文、代码合集

Connectivity相关论文、代码合集

文章目录

​​2018​​

​​Non-local Neural Networks​​

​​2019​​

​​ConnNet: A Long-Range Relation-Aware Pixel-Connectivity Network for Salient Segmentation​​​​A Cost Effective Solution for Road Crack Inspection using Cameras and Deep Neural Networks​​​​Asymmetric Non-local Neural Networks for Semantic Segmentation​​

​​2020​​

​​Real-time Semantic Segmentation with Fast Attention​​​​Disentangled Non-Local Neural Networks​​​​Non-local U-Nets for Biomedical Image Segmentation​​

​​2021​​

​​Vectorization of Historical Maps Using Deep Edge Filtering and Closed Shape Extraction​​​​BiconNet: An Edge-preserved Connectivity-based Approach for Salient Object Detection​​​​Introducing the Boundary-Aware loss for deep image segmentation（BMVC）​​

2018

Non-local Neural Networks

code: ​​卷积操作和循环操作都是一次处理一个局部邻居的构建块。在本文中，我们将非局部操作作为一个用于捕获长期依赖关系的通用构造块族来提出。受计算机视觉中经典的非局部均值方法[4]的启发，我们的非局部操作计算一个位置的响应作为所有位置特征的加权和。这个构建块可以插入到许多计算机视觉架构中。在视频分类的任务中，即使没有任何花哨的功能，我们的非本地模型也可以在动力学和字谜数据集上竞争或超过当前的竞争获胜者。在静态图像识别中，我们的非局部模型改进了目标的检测/分割和姿态估计。

2019

ConnNet: A Long-Range Relation-Aware Pixel-Connectivity Network for Salient Segmentation

我们说明了连接建模可以是一个很好的替代传统分割任务的显著分割。将我们的方法与为分割任务训练的相同架构进行比较，我们发现ConnNet在广泛的基准数据集上优于分割网络。我们开发了一种显著对象分割的方法，该方法在几个数据集上优于以前的最先进的方法，但也由于其简单性，大大减少了推理时间。我们还将此思想扩展到实例级显著性分割的任务中。我们研究了不同的像素连通性建模方法对整体性能的影响。

A Cost Effective Solution for Road Crack Inspection using Cameras and Deep Neural Networks

Asymmetric Non-local Neural Networks for Semantic Segmentation

2020

Real-time Semantic Segmentation with Fast Attention

Disentangled Non-Local Neural Networks

Non-local U-Nets for Biomedical Image Segmentation

code: ​​of Historical Maps Using Deep Edge Filtering and Closed Shape Extraction

code: ​​几个世纪以来，地图一直是一种独特的知识来源。这些历史文献为分析景观在重要时间框架上的复杂空间变化提供了宝贵的信息。对于包含多个交叉研究领域（社会科学、经济等）的城市地区尤其如此。地图源的大量和显著的多样性需要自动图像处理技术，以提取矢量形状下的相关对象。地图的复杂性（文本、噪声、数字化工件等）几十年来阻碍了提出一种通用和高效的光栅到矢量方法的能力。我们提出了一个可学习的、可重复的和可重用的解决方案，用于将栅格映射自动转换为向量对象（积木、街道、河流）。它是建立在数学形态学和卷积神经网络的互补强度之上，通过有效的边缘滤波。此外，我们对ConnNet进行了修改，并结合深度边缘滤波体系结构，利用像素连接信息，构建了一个不需要任何后处理技术的端到端系统。在本文中，我们关注在多个数据集上的各种架构的综合基准，以及一个新的矢量化步骤。我们在一个使用COCO泛光度量的新公共数据集上的实验结果显示出非常令人鼓舞的结果，通过对我们的方法的成功和失败案例的定性分析得到证实。

BiconNet: An Edge-preserved Connectivity-based Approach for Salient Object Detection

code: ​​传统的基于深度学习的方法将显著目标检测(SOD)视为一种像素级显著性建模任务。目前SOD模型的一个局限性是对像素间信息的利用不足，通常导致近边缘区域的分割不完善，空间相干性较低。正如我们所演示的，使用显著性掩码作为唯一的标签是次优的。为了解决这一局限性，我们提出了一种基于连通性的方法，称为双边连通性网络(BiconNet)，该方法使用连通性掩码和显著性掩模作为标签，以有效地对像素间关系和对象显著性进行建模。此外，我们提出了一种双边投票模块来增强输出的连通性图，以及一种新的边缘特征增强方法，有效地利用了边缘特定的特征。通过对5个基准数据集上的全面实验，我们证明了我们提出的方法可以插入任何现有的最先进的基于显著的SOD框架，以在可忽略参数增加的情况下提高其性能。

我们提出了一种基于连通性的SOD框架，称为BiconNet，以明确地建模像素连通性，增强边缘建模，并保持显著区域的空间相干性。BiconNet可以很容易地插入任何现有的SOD模型，参数增加可忽略。我们提出了一种高效的、基于连接性的边缘特征提取方法，它可以直接强调网络输出中的边缘特定信息。我们还引入了一个新的损失函数，Bicon损失，以进一步提高边缘特征的利用，并保持输出的空间一致性。我们用七个最先进的SOD模型的骨干来构建biconnet。通过将这些双网络网络与相应的基线进行比较，我们表明，我们的模型在使用不同评估指标的五个广泛使用的基准测试上优于后一个模型。

Introducing the Boundary-Aware loss for deep image segmentation（BMVC）

code: ​​大多数当代的监督图像分割方法并不保留给定输入的初始拓扑结构（比如轮廓的接近程度）。当比较二进制预测和地面真实值时，人们通常可以注意到边缘点已经被插入或移除。当需要对多个互联对象的精确定位时，这可能是至关重要的。本文利用一种基于最小势垒距离(MBD)的切割算法，提出了一种新的损失函数，即边界感知损失(BALoss)。它能够定位我们所说的泄漏像素，并编码来自给定的地面真相的边界信息。由于这种适应的损失，我们能够在学习过程中显著地改进预测边界的质量。此外，我们的损失函数是可微的，可以应用于任何类型的图像处理的神经网络。我们将这个损失函数应用于电子显微镜数据集上的标准U-Net和DCU-Net。众所周知，它们具有高噪声水平，覆盖图像空间的近距离甚至连接的物体具有挑战性。我们的分割性能，在信息变异(Voi)和自适应等级指数(ARI)方面，非常有前途，导致∼的Voi得分高15%，∼的得分比最先进的高5%。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。