語義分割方向知乎、公眾號、博客有哪些大V值得關注?

2021-02-13 計算機視覺life

點擊上方「計算機視覺life」，選擇「星標」

快速獲得最新乾貨

本文總結的是語義分割方面的，值得關注的公眾號或者網站，幫助大家高效獲得高質量信息，節省寶貴的時間。

知乎

作者：ycszen，作者主要是關注於圖像分割方向，而且對於圖像分割涉獵比較廣泛，包括了語義分割，視頻分割。作者有很多對於論文的簡評，可以從作者的簡評裡對論文有整體的把握和理解。

經典文章：

題目：語義分割江湖的那些事兒

連結：https://zhuanlan.zhihu.com/p/55263898

題目：【簡評】Full-Resolution Residual Networks for Semantic Segmentation in Street Scenes

連結：https://zhuanlan.zhihu.com/p/27722435

題目：【簡評】Understanding Convolution for Semantic Segmentation

連結：https://zhuanlan.zhihu.com/p/26659914

-分割線-

作者：stone，作者主要從事於計算機視覺方向的研究。從作者的文章中可以看出，作者對於目標檢測，姿態估計，圖像分割都有涉獵。

經典文章：

題目：圖像語義分割準確率度量方法總結

連結：https://zhuanlan.zhihu.com/p/38236530

題目：語義分割之Large Kernel Matters

連結：https://zhuanlan.zhihu.com/p/38055224

題目：語義分割之U-net

連結：https://zhuanlan.zhihu.com/p/37804107

題目：圖像語義分割綜述

連結：https://zhuanlan.zhihu.com/p/37801090

微信公眾號

名稱：AI研習社。該公眾號不僅僅聚焦於計算機視覺，而是將目光放在了整個AI領域。公眾號推送的文章裡經常會有關於語義分割相關的內容，而且內容較為新穎，非常適合大家的拓展。

經典文章：

題目：CVPR2019 | 15篇論文速遞（涵蓋目標檢測、語義分割和姿態估計等方向）

地址：https://mp.weixin.qq.com/s/tNelRuKKQbkvUGxQyaX4mA

題目：基於顯著性的圖像分割

地址：https://mp.weixin.qq.com/s/in5f8BDvvfXS4m5TK5nLiA

-分割線-

名稱：計算機視覺life。已發布一系列原創文章包括：三維視覺、SLAM、深度/機器學習、深度相機、入門科普、CV方向簡介、手機雙攝、全景相機、相機標定、醫學圖像、前沿會議、機器人、ARVR、行業趨勢等。非常適合從事計算機視覺領域的人關注。

相關經典文章：

綜述 | 語義分割經典網絡及輕量化模型盤點

CVPR2019 | Decoders 對於語義分割的重要性

CVPR 2019 | 微軟亞研院提出用於語義分割的結構化知識蒸餾

計算機視覺方向簡介 | 三維深度學習中的目標分類與語義分割

實戰 | 基於SegNet和U-Net的遙感圖像語義分割

-分割線-

名稱：專知。該公眾號也是廣泛的發布關於AI的內容，都是比較前沿性質的知識，適合大家的拓展。

經典文章：

題目：【資源】圖像分割/顯著性檢測數據集列表

連結：https://mp.weixin.qq.com/s/-LbHOMxFpQ2l8Nuvz9b8vQ

題目：近期必讀的7篇【醫學圖像分割】相關論文和代碼（CVPR、AAAI）

連結：https://mp.weixin.qq.com/s/uwqXGMVOM4WOKSmgBPzllg


博客

名稱：Medium。Medium的自我介紹是一個可以閱讀和寫作好的想法和重大故事的地方。是一個不需要翻牆便可以訪問的英文網站。它是由全英文書寫，因此需要大家的英語要過關。只要英文不成問題的話，裡面的內容絕對會讓你有很大的收穫，因此強烈推薦。

經典文章：

題目：How to do Semantic Segmentation using Deep learning

連結：https://medium.com/nanonets/how-to-do-image-segmentation-using-deep-learning-c673cc5862ef?source=search_post----0

題目：Semantic Segmentation with Deep Learning

連結：https://towardsdatascience.com/semantic-segmentation-with-deep-learning-a-guide-and-code-e52fc8958823

題目：Diving into Deep Convolutional Semantic Segmentation Networks and Deeplab_V3

連結：https://medium.freecodecamp.org/diving-into-deep-convolutional-semantic-segmentation-networks-and-deeplab-v3-4f094fa387df?source=search_post----2

-分割線-

名稱：CSDN博客專欄。CSDN中有很多寫的不錯的文章，而且涵蓋的範圍也比較廣泛，非常適合英文不是很出色的人來搜索閱讀。

經典文章：

題目：計算機視覺 - 語義分割 （semantic segmentation）

連結：https://blog.csdn.net/sinat_35496345/article/details/79609529

題目：深度學習-語義分割總結

連結：https://blog.csdn.net/u013580397/article/details/78508392

-分割線-

名稱：Towards Data Science(TDS)。TDS是Medium的一個子網站，但是不同於Medium的是TDS完全是關於數據科學方面的知識文章，所以如果直接想找尋相關文章的話，直接來TDS下會更加的方便快捷。

經典文章：

題目：Understanding Semantic Segmentation with UNET。

連結：https://towardsdatascience.com/understanding-semantic-segmentation-with-unet-6be4f42d4b47

題目：Advanced Topics in Deep Convolutional Neural Networks

連結：https://towardsdatascience.com/advanced-topics-in-deep-convolutional-neural-networks-71ef1190522d

以上講的都是理論的知識點，適合大家平時學習使用，下面講到的是代碼實戰，只有多多實戰，才能夠有效果，提升自己。

GitHub 帳號

名稱：Semantic-Segmentation-Suite。該項目下實現了十幾種基於深度學習的語義分割模型，編寫框架是tensorflow。模型結構的搭建是基於tensorflow下的slim高級模塊。

實現網絡舉例：

Segnet、Mobile UNet、PSPNet、Densenet for Semantic Segmentation、Deeplabv3。

地址：https://github.com/mrgloom/awesome-semantic-segmentation

-分割線-

名稱：awesome-semantic-segmentation。該帳號下介紹的是當下關於圖像分割領域的最新模型的論文和代碼的實現地址。此外，還包括了數據集以及數據集製作工具等關於圖像分割領域的知識點。

地址：https://github.com/mrgloom/awesome-semantic-segmentation

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、算法競賽、圖像檢測分割、人臉人體、醫學影像、自動駕駛、綜合等微信群（以後會逐漸細分），請掃描下面微信號加群，備註：」暱稱+學校/公司+研究方向「，例如：」張三 + 上海交大 + 視覺SLAM「。請按照格式備註，否則不予通過。添加成功後會根據研究方向邀請進入相關微信群。請勿在群內發送廣告，否則會請出群，謝謝理解~

如有AI領域實習、求職、招聘、項目合作、諮詢服務等需求，快來加入我們吧，期待和你建立連接，找人找技術不再難！

推薦閱讀

目標檢測技術二十年綜述

最全綜述 | 醫學圖像處理

最全綜述 | 圖像分割算法

最全綜述 | 圖像目標檢測

計算機視覺方向簡介 | 從全景圖恢復三維結構

計算機視覺方向簡介 | 陣列相機立體全景拼接

計算機視覺方向簡介 | 單目微運動生成深度圖

計算機視覺方向簡介 | 深度相機室內實時稠密三維重建

計算機視覺方向簡介 | 深度圖補全

計算機視覺方向簡介 | 人體骨骼關鍵點檢測綜述

計算機視覺方向簡介 | 人臉識別中的活體檢測算法綜述

計算機視覺方向簡介 | 目標檢測最新進展總結與展望

計算機視覺方向簡介 | 唇語識別技術

計算機視覺方向簡介 | 三維深度學習中的目標分類與語義分割

計算機視覺方向簡介 | 基於單目視覺的三維重建算法

計算機視覺方向簡介 | 用深度學習進行表格提取

計算機視覺方向簡介 | 立體匹配技術簡介

計算機視覺方向簡介 | 人臉表情識別

計算機視覺方向簡介 | 人臉顏值打分

計算機視覺方向簡介 | 深度學習自動構圖

計算機視覺方向簡介 | 基於RGB-D的3D目標檢測

計算機視覺方向簡介 | 人體姿態估計

計算機視覺方向簡介 | 三維重建技術概述

計算機視覺方向簡介 | 視覺慣性裡程計(VIO)

計算機視覺方向簡介 | 多目標跟蹤算法（附源碼）

                                                                        最新AI乾貨，我在看  

相關焦點

  • 谷歌開源語義圖像分割模型DeepLab-v3+ | 附代碼
    安妮 編譯自 谷歌官方博客量子位 出品 | 公眾號 QbitAI今天，谷歌宣布開源語義圖像分割模型DeepLab-v3+。
  • GitHub:語義分割最全資料集錦
    本文將分享的內容是：語義分割（Semantic Segmentation）。值得提一下，按近一年頂會上的語義分割方向的論文來看，弱監督+語義分割、域自適應+語義分割方向的論文越來越多了。感興趣的同學可以看一下：ECCV 2020 語義分割論文大盤點（38篇論文）註：文末附語義分割微信交流群，歡迎加入學習awesome-semantic-segmentation項目作者：mrgloomStar數量：7100https
  • 語義分割未來發展如何?
    既往的研究，能做的無非如下兩種選擇設計一個更有效的語義分割head；修改feature flow，現在多用NAS形式。其次是數據集的受限。語義分割所用的數據集需要大量標註的數據，這造成了如下兩個現象：少有的幾個數據集刷到接近天花板。數據量少，支撐不起 training from scratch。
  • 微軟亞洲研究院提出OCRNet:化解語義分割上下文信息缺失難題 | ECCV 2020
    圖像分類、物體檢測和語義分割可以並列為傳統計算機視覺感知領域的3大基礎問題，它們也是各種複雜視覺任務的基礎。這些問題在日常生活中隨處可見，例如，短視頻軟體內提供的一鍵特效功能可以讓普通用戶也能輕鬆製作出大片效果，這背後的底層算法就可能涉及到了對人體的語義分割。此外，無人駕駛技術裡的底層視覺算法則通常會涉及到對街景的語義分割。
  • 業界 | 谷歌最新語義圖像分割模型DeepLab-v3+今日開源
    GitHub 地址：https://github.com/tensorflow/models/tree/master/research/deeplab語義圖像分割任務是指將語義標籤（例如「道路」、「天空」、「人」、「狗」）分配給圖像中的每一個像素，這種技術有很多新應用，例如，Pixel 2 和 Pixel 2 XL 智慧型手機中肖像模式的合成淺景深效應，以及行動裝置的實時語義分割等
  • 支持多種目標檢測、語義與實例分割模型等
    這次，工具包裡增加了許多新模型：做語義分割的，做目標檢測的，做實例分割的……現在，來仔細觀察一下，新的torchvision都有哪裡變強了。哪些功能是新來的？訓練/評估腳本現在，reference/文件夾地下，提供了訓練和評估用的腳本，支持許多任務：分類、語義分割、目標檢測、實例分割，以及人物關鍵點檢測。這些腳本可以當做log：寫著某一個特定的模型要怎樣訓練，並且提供了基線。
  • 無綠幕MR特效,谷歌開源AI語義分割模型DeepLab-v3+
    （映維網 2018年03月16日）在3月出我們有報導說谷歌利用AI實現視頻的背景分離，而這涉及到語義圖像分割技術。語義圖像分割是指將諸如「道路」，「天空」，「人」，「狗」等語義標籤分配至圖像中的每一個像素，從而實現一系列的新應用，比如Pixel 2和Pixel 2XL人像模式中的合成淺層景深效果，以及實時視頻分割。
  • 語義分割最新指南2019版
    點擊我愛計算機視覺標星，更快獲取CVML新技術本文經機器之心（微信公眾號：almosthuman2014）授權轉載，禁止二次轉載。
  • 路面語義分割
    點擊上方「小白學視覺」，選擇加"星標"或「置頂」重磅乾貨，第一時間送達檢測坑窪，水坑，不同類型的地形等本期是關於路面語義分割方法的因此，這裡的重點是路面模式，例如：車輛行駛在哪種路面上或道路上是否有損壞，還有道路標記和減速帶等等。有時我們需要確定路面是青瀝路面、鵝卵石路面亦或是未鋪砌的路面？出於對駕駛員的安全以及車內人員的舒適性的考慮我們需要提前知道路面情況。為了實現這些目標，將使用卷積神經網絡（CNN）進行路面的語義分割。
  • 【圖解AI】什麼是語義分割、實例分割、全景分割
    圖像分割（image segmentation）是計算機視覺中非常重要的研究和應用方向，是根據某些規則將圖片中的像素分成不同的部分、打上不同標籤。 4、實例分割（instance segmentation）目標檢測和語義分割的結合，在圖像中將目標檢測出來（目標檢測），然後對每個像素打上標籤（
  • Transformer有可能替代CNN嗎?未來有哪些研究方向?聽聽大家都怎麼說
    這些研究覆蓋了圖像分類、目標檢測、語義分割等 CV 主流方向。因此有人提問：未來，Transformer 有可能替代 CNN 嗎？這一問題在知乎、Reddit 等平臺上都有人討論。從討論的結果來看，大部分人認為 Transformer 和 CNN 各有優劣，二者可能並非取代和被取代的關係，而是互相融合，取長補短。
  • 語義分割江湖的那些事兒——從曠視說起
    「大道之爭」之中，碰撞出了兩個最重要的設計：U-shape Structure 和 Dilation Conv，據此形成當下語義分割領域網絡設計最常見的兩大派系：1）U-shape 聯盟以 RefineNet、GCN、DFN 等算法為代表；2）Dilation 聯盟以 PSPNet、Deeplab 系列方法為代表；隨著 Base Model 性能不斷提升，語義分割任務的主要矛盾也逐漸演變為
  • 語義分割-多層特徵融合
    作者：楊奎元-深動https://zhuanlan.zhihu.com/p/110667995本文已由原作者授權，不得擅自二次轉載語義分割由此，語義分割具有兩大需求，即高解析度和高層語義，而這兩個需求和卷積網絡設計是矛盾的。卷積網絡從輸入到輸出，會經過多個下採樣層（一般為5個，輸出原圖1/32的特徵圖），從而逐步擴大視野獲取高層語義特徵，高層語義特徵靠近輸出端但解析度低，高分率特徵靠近輸入端但語義層次低。
  • 三個優秀的語義分割框架 PyTorch實現
    公眾號關注 「ML-CVer」設為 「星標」，DLCV消息即可送達！【導語】本文基於動手深度學習項目講解了FCN進行自然圖像語義分割的流程，並對U-Net和Deeplab網絡進行了實驗，在Github和谷歌網盤上開源了代碼和預訓練模型，訓練和預測的腳本已經做好封裝，讀者可以自行下載使用。
  • AI|圖像分割研究者的煩惱與未來
    圖像分割是CV領域的經典難題與熱點所在，了解圖像分割的發展、瓶頸與未來方向對CV研究有著重大意義。知乎搜「圖像分割 組合優化」，只搜到叫獸一個比較系統的回答，其他都基本純DL，為致敬傳統算法，在講述圖像分割難點和未來前先貼下叫獸的回答~當前主流的圖像分割研究方向都有哪些？
  • 谷歌最新語義圖像分割模型 DeepLab-v3+ 現已開源 | 軟體推介
    #掃描上方二維碼進入報名#授權協議:Apache-2.0開發語言:C/C++ Python作業系統:跨平臺開發廠商:GoogleGoogle 研究團隊開源在 Tensorflow 中進行語義圖像分割Google 研究軟體工程師 Liang-Chieh Chen 以及 Yukun Zhu 表示，語義圖像分割的主要目的是為每個像素指定語義標籤，例如路、天空、人或是狗等物體，不少的程序需要這樣的功能，像是合成淺景深效果（Synthetic
  • 圖像語義分割
    圖像語義分割是計算機視覺中十分重要的領域。上圖為語義分割的一個實例，其目標是預測出圖像中每一個像素的類標籤。圖像語義分割是圖像處理和計算機視覺技術中關於圖像理解的重要的一環。語義分割對圖像中的每一個像素點進行分類，確定每個點的類別（如屬於背景、邊緣或身體等）需要和實例分割區分開來。語義分割沒有分離同一類的實例；它關心的只是每個像素的類別，如果輸入對象中有兩個相同類別的對象，則分割本身不會將它們區分為單獨的對象。
  • 如何利用DeepLab V3進行圖像語義分割
    來自《反思語義圖像分割中的空洞卷積》使用Pytorch的deeplabv3-Resnet101實現讓我們通過創建一個含有DeepLab V3模型的Pytorch模塊來開始這個過程。為DeepLab V3推斷創建Pytorch包裝器模塊語義(nn.Module)包裝器模塊有三種主要方法：def __init__(self, pretrained, device)初始化時使用預先訓練的值來加載已經訓練好的deeplabv3-resnet101模塊，
  • ENet |一種用於快速語義分割的神經網絡體系結構
    論文題目中提到了「Real-Time Semantic Segmentation」，所以，這是一篇討論如何提高語義分割速度的論文，設計的網絡也是為了實時性。圖中展示了ENet的分割效果：逐像素語義分割任務的實時性，對於手機等終端設備尤其重要。有些深度神經網絡需要大量的浮點計算操作（float point operations），並且運行時間比較長。在ENet的同時期，SegNet【1】和FCN是語義分割研究中的前沿算法，所以ENet論文與它們進行了大量的比較。3、SegNet和FCN的問題在哪裡？
  • Fast-SCNN:多分支結構共享低級特徵的語義分割網絡
    在自動駕駛或者移動機器人的應用場景下，對語義分割算法一般有著額外的需求：算法要有實時性，最好實時性非常高，因為語義分割僅僅是整個視覺感知系統中預處理的一部分，語義分割的結果往往作為後續感知或融合模塊的輸入；算法要佔用比較低的內存，以允許部署在低成本的嵌入式設備中。