semantic专题

Segmentation简记-Multi-stream CNN based Video Semantic Segmentation for Automated Driving

创新点 1.RFCN & MSFCN 总结网络结构如图所示。输入视频得到图像分割结果。简单粗暴

Segmentation简记5-AuxNet: Auxiliary tasks enhanced Semantic Segmentation for Automated Driving

创新点 1.分割网络为主任务，深度估计网络为辅任务 2.loss的设计总结如图所示网络结构如图所示其实很容易理解。 backbone是基于ResNet50 分割网络是基于FCN8 深度估计网络与分割网络类似，最后一层是回归深度层。最有意思的是两种任务的loss的合并。分割的loss很常见：cross entropy 深度loss：mean absolute error 算法一：

DS简记1-Real-time Joint Object Detection and Semantic Segmentation Network for Automated Driving

创新点 1.更小的网络，更多的类别，更复杂的实验 2. 一体化总结终于看到一篇检测跟踪一体化的文章网络结构如下： ResNet10是共享的Encoder，yolov2 是检测的Deconder，FCN8 是分割的Deconder。其实很简单，论文作者也指出：Our work is closest to the recent MultiNet. We differ by focus

Clustering-Guided Class Activation for WeaklySupervised Semantic Segmentation

pdf：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10381698 code：https://github.com/DCVL-WSSS/ClusterCAM 摘要：基于transformer的弱监督语义分割(WSSS)方法利用其捕获全局上下文的强大能力得到了积极的研究。然而，由于激活函数在transformer的自注意

Elasticsearch：使用 semantic_text 进行语义搜索

警告：截止 8.15 版本，此功能处于测试阶段，可能会发生变化。设计和代码不如官方 GA 功能成熟，并且按原样提供，不提供任何保证。测试版功能不受官方 GA 功能的支持 SLA 约束。本教程向你展示如何使用 semantic text 功能对数据执行语义搜索。语义文本通过在提取时提供推理并自动提供合理的默认值来简化推理工作流程。你无需定义与模型相关的设置和参数，也无需创建推理提取管道

揭秘Semantic Kernel：用AI自动规划和执行用户请求

在我们日益高效的开发世界中，将任务自动化并智能规划变得越来越必要。今天，我要给大家介绍一个强大的概念——Semantic Kernel中的planner功能。通过这篇文章，我们会学习到planner的工作原理以及如何实现智能任务规划。什么是planner？ planner是Semantic Kernel中的一个函数，它能自动接收用户的请求，并回传一个完成这

Polyp-DDPM: Diffusion-Based Semantic Polyp Synthesis for Enhanced Segmentation

Polyp- ddpm:基于扩散的语义Polyp合成增强分割摘要：本研究介绍了一种基于扩散的方法Polyp-DDPM，该方法用于生成假面条件下息肉的逼真图像，旨在增强胃肠道息肉的分割。我们的方法解决了与医学图像相关的数据限制、高注释成本和隐私问题的挑战。通过对分割掩模(代表异常区域的二进制掩模)的扩散模型进行调节，poly - ddpm在图像质量(实现fr起始距离(FID)得分为78.47

论文阅读--Cross-view Transformers for real-time Map-view Semantic Segmentation

一种新的2D维度的bev特征提取方案，其通过引入相机先验信息（相机内参和外参）构建了一个多视图交叉注意力机制，能够将多视图特征映射为BEV特征。 cross view attention：BEV位置编码+由根据相机标定结果（内参和外参）演算得到的相机位置编码+多视图特征做attention得到整体上文章的网络前端使用CNN作为特征抽取网络，中端使用CNN多级特征作为输入在多视图下优化BEV特

实时语义分割--ICNet for Real-Time Semantic Segmentation on High-Resolution Images

github代码:https://github.com/hszhao/ICNet 语义分割算法精度和速度对比: 由图可以看出,ResNet38,PSPNet,DUC精度虽然较高,但是无法速度相对较慢,无法达到实时,ENet速度较快,但精度较低,而本文算法既可以达到实时,精度也相对较高. Speed Analysis PSPNet50的处理不同大小的输入图像所需时间: 图中,sta

Semantic Kernel 直接调用本地大模型与阿里云灵积 DashScope

本文主要介绍如何在无需网关，无需配置 HttpClient 的情况下，使用 Semantic Kernel 直接调用本地大模型与阿里云灵积 DashScope 等 OpenAI 接口兼容的大模型服务。 1. 背景一直以来，我们都在探索如何更好地利用大型语言模型（LLM）的能力。Semantic Kernel 作为一个微软开源的语义内核 SDK，它提供了一种高效的方式让用户可以在自己的应

【图像分割】DSNet: A Novel Way to Use Atrous Convolutions in Semantic Segmentation

DSNet: A Novel Way to Use Atrous Convolutions in Semantic Segmentation 论文链接：http://arxiv.org/abs/2406.03702 代码链接：https://github.com/takaniwa/DSNet 一、摘要重新审视了现代卷积神经网络（CNNs）中的atrous卷积的设计，并证明了使用大内核

Semantic Kernel 中的流式输出SSE与Vue3前端接收示例

本文将介绍如何在使用 Semantic Kernel 框架的 ASP.NET 项目中使用流式输出 SSE（Server-Sent Events），并展示如何在Vue3前端应用中接收这些数据。并介绍了如何使用 @microsoft/fetch-event-source 库使用 POST 方法来接收 SSE 数据。 1. 背景在大模型的应用场景中，用户经常需要与模型进行实时交互，例如，生成

Semantic Kernel 和 LangChain 如何选择？

选择 Semantic Kernel 还是 LangChain 取决于你特定的应用需求和技术偏好。以下是这两者的一些关键点和对比，可以帮助你做出决策： Semantic Kernel 1、优点：集成性强：Semantic Kernel 是由微软开发的，专为与 Azure Cognitive Services 和其他微软技术集成而设计。如果你的项目已经使用了微软的技术栈，Semantic K

深度学习小目标检测问题——（转载）谈一谈深度学习之semantic Segmentation

https://www.cnblogs.com/daihengchen/p/6345041.html 上一次发博客已经是9月份的事了…这段时间公司的事实在是多，有写博客的时间都拿去看paper了…正好春节回来写点东西，也正好对这段时间做一个总结。首先当然还是好好说点这段时间的主要工作：语义分割。semantic segmentation 应该是DL这几年快速发展的最重要的领域之一了，但可惜的

【语义分割】——又快又强：Deep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation of Road

出处：哈尔滨工业大学论文 code：暂未开源关键词：实时语义分割语义分割是自动驾驶汽车了解周围场景的关键技术，对于实际的自动驾驶汽车来说，为了获得高精度的分割结果而花费大量的推理时间是不可取的。使用轻量级架构(编码器解码器或two-pathway)或推理在低分辨率图像。本文提出的模型在单张2080ti上DDRNet-slim能打到77.4% mIoU和230FPS，DDRNet

Semantic Kernel嵌套使用示例

在使用Semantic Kernel进行嵌套时，可以通过将一个任务的输出作为另一个任务的输入来实现。这种方法可以帮助你将复杂任务拆分成多个子任务，并通过嵌套的方式逐步完成。以下是一个简单的示例，演示了如何嵌套使用Semantic Kernel：假设你有两个任务：任务A和任务B。任务A生成一段文本，任务B对这段文本进行处理。任务A：生成文本任务A生成一个简单的问候语。 using Mic

【论文阅读】Semantic Segmentation with deep convolutional nets and fully connected CRFs

一、摘要深度卷积神经网络（DCNN）最近在高级视觉任务中展示了最先进的性能，例如图像分类和对象检测。这项工作汇集了来自DCNN和概率图形模型的方法，用于解决像素级分类（也称为“语义图像分割”）的任务。我们表明DCNN最后一层的响应没有充分定位，无法进行精确的对象分割。这是由于非常不变的属性使DCNN有利于高级任务。我们通过将最终DCNN层的响应与完全连接的条件随机场（CRF

【论文阅读】semantic image segmentation with deep convolutional nets and fully connected CRFs

文章的主要贡献：速度：带atrous算法的DCNN可以保持8FPS的速度，全连接CRF平均推断需要0.5s；准确：在PASCAL语义分割挑战中获得了第二的成绩；简单：DeepLab是由两个非常成熟的模块(DCNN和CRFs)级联而成。一、概述自LeCun（1998）以来，DCNN一直被选作版面识别的方法，如今已经成为高级视觉研究的主流，提高了计算机视觉性能，广泛应用于图像分割，对

【论文总结】weakly- and semi-supervised learning of a DCNN for semantic Image Segmentation

一、概述这篇文章研究了如何从弱注释的训练数据（如边界框或图像级标签）或少量强标记图像和许多弱标记图像的组合中学习DCNN用于语义图像分割的问题，在弱超监督和半监督条件下提出了期望最大化（EM）方法。代码：https://bitbucket.org/deeplab/deeplab-public（caffe框架）二、研究内容及方法文章将焦点放在用弱标签训练调参上

大模型开发Semantic Kernel 简介

Semantic Kernel (SK) 是一个由微软开发的开源项目，旨在帮助开发者更轻松地构建、部署和管理基于大语言模型（LLM）的应用程序。SK 提供了一系列工具和框架，使得开发者可以高效地将语言模型集成到各种应用场景中，实现自然语言处理和生成任务。 1、核心功能多语言支持：SK 支持多种编程语言，包括 Python 和 C#，帮助开发者在不同平台上快速构建应用。模块化设计：SK 采用模

Few-shot 3D Point Cloud Semantic Segmentation 论文简记

Few-shot 3D Point Cloud Semantic Segmentation 论文简记摘要已有的点云语义分割方法需要大量的标签，点云逐点标记是困难的，另外对新的类别较差的泛化性。因此本文提出一个显著感知的多原型转化few-shot 分割方法。具体地，每个类可以表示为多个原型来建模复杂分布地点云数据。然后，设计一个标签传播方法，来探索标注点和未标记点的多原型亲和度，以及未标注

zoj 3914 Semantic Version（模拟）

题目链接：zoj 3914 Semantic Version 代码 #include <cstdio>#include <cstring>#include <vector>#include <string>#include <algorithm>using namespace std;const int maxn = 100;int P, N;char a[maxn], b[max

syntactic 与semantic 的区别

Syntax是语法上的，Sematic是语义上的。在自然语言范围内举个简单的例子The dog is a man.从syntax上来说，这句话没有错，主谓宾齐全而且各个成分的性和格也没错，但是语义上来说是错的，dog 怎么能是man呢。4楼说的不错，在不同的领域，syntax 和semantic有着不同的对照，但大致关系和自然语言里是差不多的。 syntactic，也就是句法，指的是语言的结

Fully Convolutional Networks for Semantic Segmentation--论文笔记

论文笔记资料 1.代码地址 2.论文地址 https://arxiv.org/abs/1411.4038 3.数据集地址论文摘要的翻译卷积网络是强大的视觉模型，可以产生特征层次结构。我们表明，卷积网络本身，经过端到端，像素对像素的训练，在语义分割方面超过了最先进的技术。我们的关键见解是建立“完全卷积”网络，该网络可以接受任意大小的输入，并通过有效的推理和学习产生相应大小的输出。

Colab/PyTorch - 004 Torchvision Semantic Segmentation

Colab/PyTorch - 004 Torchvision Semantic Segmentation 1. 源由2. 语义分割 - 应用2.1 自动驾驶2.2 面部分割2.3 室内物体分割2.4 地理遥感 3. 语义分割 - torchvision3.1 FCN 使用 ResNet-101 语义分割3.1.1 加载模型3.1.2 加载图像3.1.3 预处理图像3.1.4 网络的前向传播

Out-of-Distribution Detection with Semantic Mismatch under Masking

Out-of-Distribution Detection with Semantic Mismatch under Masking 摘要引言2 相关工作2.1 现有的OOD检测方法2.2基于重构的面向对象检测2.3利用外部OOD数据进行OOD检测2.4 开放集合识别 Mismatch under Masking) 摘要本文提出了一种名为MoodCat的新型分布之外（O