首页 > TAG信息列表 > Semantic

Incremental Learning Techniques for Semantic Segmentation 论文阅读笔记

Incremental Learning Techniques for Semantic Segmentation 论文阅读笔记 摘要 当需要增量学习新任务时,由于灾难性的遗忘,深度学习架构表现出严重的性能下降。 之前增量学习框架专注于图像分类和对象检测,本文正式提出了语义分割的增量学习任务。作者设计了方法提取先前模型的知识

Thesis-CCNet: Criss-Cross Attention for Semantic Segmentation

Thesis-CCNet: Criss-Cross Attention for Semantic Segmentation CCNet: Criss-Cross Attention for Semantic Segmentation 获得特征图X之后,应用卷积得到一个降维的特征图H并将其喂入十字交叉注意模块CCA得到新的特征图H'。H'仅仅继承了水平和竖直方向的上下文信息还不足以进

论文阅读笔记-LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation

Title:LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation 题目:LinkNet:利用编码器表示实现有效的语义分割 Abstract 视觉场景理解的像素级语义分割不仅需要准确,而且要高效,以便在实时应用中找到任何用途。现有的算法虽然精度很高,但并没有注重对神

Unsupervised Semantic Segmentation by Distilling Feature Correspondences

目录概流程代码 Hamilton M., Zhang Z., Hariharan B., Snavely N., Freeman W. T. Unsupervised semantic segmentation by distilling feature correspondences. In International Conference on Learning Representations, 2022 概 本文介绍了一种无监督的语义分割方法, 只需

【CVPR2022】Multi-Scale High-Resolution Vision Transformer for Semantic Segmentation

【CVPR2022】Multi-Scale High-Resolution Vision Transformer for Semantic Segmentation 代码:https://github.com/facebookresearch/HRViT 核心思想和主要方法 这个论文的核心思想就是将 HRNet 和 Transformer 相结合,同时,为了应用于密集预测任务,提出了避免计算复杂度过高的解

深度学习跟SLAM的结合点

1、用深度学习方法替换传统SLAM中的一个/几个模块 特征提取,特征匹配,提高特征点稳定性,提取点线面等不同层级的特征点。 深度估计 位姿估计 重定位 其他 2、在传统SLAM之上加入语义信息(毕设相关) 图像语义分割 语义地图构建 3、端到端的SLAM 机器人自主导航(深度强化学习)等   2

博客项目由于semantic ui cdn引入方式失效导致页面失效

原有的cdn方式失效,解决办法:本地导入 1、从官网上下载压缩包,从其中找到semantic.min.css和semantic.min.js两个文件放入项目文件中。 2、在模板页中引入semantic本地文件(css和js),注意路径问题,默认从static往下找 3、版本冲突导致图标出错,引入 <link rel='stylesheet prefetch' href=

语义变化检测(SCD-Semantic Change Detection)笔记01

I. 语义变化检测   语义变化检测是近几年兴起的,是比二值变化检测更近一步的研究。不仅需要知道多时相的遥感影像上,在哪里发生了变化,也要知道是由什么地表覆盖变化成了何种地表覆盖。   一些学术机构和企业,也推出相应的比赛,来推进相关工作的发展。   在阅读相关的论文时,发现

论文笔记-语义排序-Fast Semantic Matching via Flexible Contextualized Interaction(WWW2022-yewenwen)

Fast Semantic Matching via Flexible Contextualized Interaction 地址: Fast Semantic Matching via Flexible Contextualized Interaction 代码: 概述:

Semantic MediaWiki

一、简介 SMW是什么呢? 它是Mediawiki的一个扩展,用于管理wiki中的结构化数据并查询该数据以创建动态表示:表格、时间线、地图、列表等。Mediawiki有助于搜索、组织、标记、浏览、评估和共享wiki的内容。传统的wiki只包含计算机既无法理解也无法评估的文本,而而SMW添加了语义注释,使wik

【Linear Attention Mechanism: An Efficient Attention for Semantic Segmentation】CVPR2020

提出了一种线性注意力机制,与点乘注意力机制近似,但使用更少的内存和计算损耗。 本文在DANet上设计了线性注意力机制,并在语义分割上进行评估。 Method 将注意力从传统的softmax注意力替换成泰勒展开的一阶近似,仅线性的时间和存储复杂度。  之后太强了,用核函数替换sim

论文笔记1 Learning Common and Specific Features for RGB-D Semantic Segmentation with Deconvolutional Ne

论文发表于ECCV2016 最近一直在做室内语义分割的东西,所以读了这篇文章,之后的实验也准备在这个架构上进行。 Title Learning Common and Specific Features for RGB-D Semantic Segmentation with Deconvolutional Networks 使用反卷积网络学习rgb-d语义分割的通用和特定特征 Abstr

论文专题笔记:cross-image segmentation

论文汇总:前两篇全监督,后两篇弱监督 1.Region-aware Contrastive Learning for Semantic Segmentation --ICCV2021 2.Exploring Cross-Image Pixel Contrast for Semantic Segmentation --ICCV2021 3.Weakly Supervised 3D Semantic Segmentation Using Cross-Image Consensus an

[论文][半监督语义分割]Adversarial Learning for Semi-Supervised Semantic Segmentation

Adversarial Learning for Semi-Supervised Semantic Segmentation 论文原文 摘要 创新点:我们提出了一种使用对抗网络进行半监督语义分割的方法。 在传统的GAN网络中,discriminator大多是用来进行输入图像的真伪分类(Datasets里面sample的图片打高分,generator产生的图片打低分),而本文

[论文笔记][半监督语义分割]Universal Semi-Supervised Semantic Segmentation

论文原文原文地址 Motivations 传统的训练方式需要针对不同 domain 的数据分别设计模型,十分繁琐(deploy costs) 语义分割数据集标注十分昂贵,费时费力 Contributions 本文提出的统一模型可以实现跨领域统一训练 模型使用少量的标注数据和大量未标注数据(半监督模型) 网络架构/方法

语义版本规范

Semantic Versioning 2.0.0 | Semantic Versioning https://semver.org/spec/v2.0.0.html   解读Go语言的2021:稳定为王-InfoQ https://www.infoq.cn/article/eMLshYbKJTEIEiMVzwBJ 首先,在 1.16 版本,Go 官方对 go install 命令进行了改进,使它可以接受一种版本后缀(如:@v1.0.0),并以此

语义分割CVPR2019-ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation

ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation基于对抗熵最小化的语义分割领域适应方法 0.摘要1.概述2.相关工作3.方法3.1.直接熵最小化3.2.利用对抗学习最小化熵3.3. 联合使用类别占比率的先验知识 4.实验4.1.实验细节4.2.结

【论文阅读】Fully Convolutional Networks for Semantic Segmentation

2022新年啦,今年准备每天读一篇论文(大概)。由于个人能力问题,阅读过程可能是粗读,因为有的地方看不懂,看不懂的地方我就标记一下挖个坑,以后能力长进的时候我再来填坑(大概)。因为怕读完就扔掉了,所以还是在这里记录一下,以后常来复习。 第一篇就读过一段时间可能会考的计算机视觉课里提到

论文阅读--Semantic Grouping Network for Video Captioning

Semantic Grouping Network for Video Captioning abstract 提出了Semantic Grouping Network(SGN)网络: 用部分已经解码的字幕中,选择可可以区分的单词短语对视频帧进行分组,也就是将表达不同意思的帧分组(与聚类相似);对语义对齐的组进行解码,以预测下一个单词;(根据前面的已经生成

【Semantic框架学习日志】(9)弹出窗口的使用

文章目录 一、弹出窗口的介绍二、弹出窗口的基本用法三、弹出窗口的高阶用法(1) 卡片式交互型(2)弹出型菜单栏(常用)(3)搜索栏,下拉型选择框 一、弹出窗口的介绍     弹出窗口在页面顶部显示其他信息。 优点:弹出窗口的出现,可以使得页面交互更为直观和便捷,能够在第一时间给

长文本知识抽取:基于语义分割的文档级三元组关系抽取《Document-level Relation Extraction as Semantic Segmentation》

《Document-level Relation Extraction as Semantic Segmentation》 分享的是最新发布在IJCAI2021的有关针对复杂文档知识抽取的论文:长文本知识抽取:基于语义分割的文档级三元组关系抽取。 ​ 接下来,我将一下四部分去介绍这篇论文。 ​ 第一部分为论文总述。 1. 总述 ​

【Zero Shot Detection】论文阅读笔记

As we move towards large-scale object detection, it is unrealistic to expect annotated training data, in the form of bounding box annotations around objects, for all object classes at sufficient scale, and so methods capable of unseen object detection ar

Fully Convolutional Networks for Semantic Segmentation FCN论文记录

Fully Convolutional Networks for Semantic Segmentation 文章来源:2015CVPR 一、背景 在FCN全卷积网络出现之前,之前的图像分割都是基于候选框和滑窗的CNN的语义分割算法。由于CNN网络的特殊性,所以对像素进行预测是时候是将被预测像素为中心的一小块图片作为网络输入进行预测,最

Proj AutoWriter Paper Reading: SEQ2SQL: GENERATING STRUCTURED QUERIES FROM NATURAL LANGUAGE USING RE

Abstract 介绍Relational DB 本文Seq2SQL 方法: policy-based reinforcement learning Task:... 使用in-the-loop query执行来获取rewards 利用SQL的结构来剪枝空间 本文: 数据集: WikiSQL 规模80654个人工标注的问题,24241个表 实验: 比最好的semantic parser更好 improving exec

Proj AutoWriter Paper Reading: AnnaParser: Semantic Parsing for Tabular Data Analysis

Abstract 介绍Task(特点: corss-domain, multilingualism, enabling quick-start???) 在parsing table agnosticism之前的data abstraction step 一套语义规则 span-based semantic parser 实验WikiSQL 效果:outperforms 实验: 中英文复杂查询 效果:很好