depth-from-single image ConvNets :這個倉庫包含了用於從單個RGB圖像進行完全卷積剩餘網絡的深度預測的CNN模型。所提供的模型是用於獲取報告中的基準數據集for和Make3D的室內和室外場景的結果。 此外,提供的代碼可以用於任意圖像的推斷 。
【1】 中文庫和解釋鏈接
【2】論文網址:Deeper Depth Prediction with Fully Convolutional Residual Networks 2016 9月
【3】中文論文閱讀網址:(論文閱讀)Deeper Depth Prediction with Fully Convolutional Residual Networks
在這個項目裏含有卷積剩餘網絡的深度預測的 indoor和outdoor 的預訓練模型,他們的區別只是在於有無天空,戶外模型試着找到天空區域,並且使得天空作爲最深的層次。
gPb-UCM :這個倉庫實現了兩個論文中提到的算法1 2 注意如果使用了代碼的話記得引用這兩篇論文!
更多信息可以查看這個項目的官網: MCG: Multiscale Combinatorial Grouping ——Fast and Accurate Segmentation and Object Prosals
【1】中文論文筆記:論文筆記(9):Multiscale Combinatorial Grouping
從gPb-UCM獲取seg,label和area的代碼(ucm只能得到ucm image):
獲取深度和分割預測的腳本:
查看run_ucm.m 和floodFill.py
seg 和 area 的解釋: “Seg” is a region labeling, where pixels in each segment have the same label. “Label” is just a vector of unique values in “seg”. “Area” is the number of pixels in the each segment, where, the i-th “area” corresponds to the segment with the i-th “label”. (我翻譯的可能不準確,可以看原文)seg是區域的的分割標籤,在每個分割區域裏,像素的標籤都一樣,label是一個在seg裏的唯一的向量值,區域area是在每個分割上的像素的數量,在這些區域上,area和分割的label一致。
效果:
在coco集上比較好的結果:
更快和更好的繼承結構分割的論文,看:Convolutional Oriented Boundaries
下圖爲該項目的demo
Holistic Edge Detection :
這個也已經比較老了,叫做全嵌套層邊緣檢測,使用了全卷積層神經網絡和深層監督網絡;效果如圖
速度大概是0.4秒每張圖,然後ODS F-score也有提升。