相关文章推荐
苦闷的领带  ·  看火人杨木小溪地点指引- 成就指南- ...·  10 月前    · 
温暖的弓箭  ·  民主党_百度百科·  11 月前    · 
打盹的刺猬  ·  高淳发布·  1 年前    · 
挂过科的熊猫  ·  中国科学技术大学软件学院2024年硕士研究生 ...·  1 年前    · 
帅气的领带  ·  历史要辩证地看：电视剧中的狄仁杰PK历史上真 ...·  2 年前    · 
小百科  ›  最新！CVPR 2021 语义分割论文大盘点（39篇论文）_Amusi（CVer ...
语义 大学 cvpr
魁梧的酸菜鱼
2 年前

CVer 正式盘点CVPR 2021上各个方向的工作 ，本篇是热度依然很高的2D语义分割论文大盘点，之前已分享：

关于更多CVPR 2021的论文和开源代码，可见下面链接：

https://github.com/amusi/CVPR2021-Papers-with-Code

CVPR 2021 2D语义论文（39篇）

Amusi 一共搜集了39篇2D语义分割论文 ，涉及： 通用语义分割、Few-shot/自监督/半监督/域自适应语义分割 等方向。

注1：这应该是目前各平台上 最新最全面的CVPR 2021 2D语义分割盘点资料 ，欢迎点赞收藏和分享

注2：3D语义分割、视频目标分割、医学图像分割等检测方向并不在本文范畴，后续将单独分享，敬请期待！

注3：超过一半来自中国的工作，所有论文中，高校以北大、北航、港大、牛津大学、ETH Zurich等为主。

语义分割(Semantic Segmentation)

1. HyperSeg: Patch-wise Hypernetwork for Real-time Semantic Segmentation

  • 作者单位: Facebook AI, 巴伊兰大学, 特拉维夫大学

  • Homepage: https://nirkin.com/hyperseg/

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/papers/Nirkin_HyperSeg_Patch-Wise_Hypernetwork_for_Real-Time_Semantic_Segmentation_CVPR_2021_paper.pdf

  • Code: https://github.com/YuvalNirkin/hyperseg

2. Rethinking BiSeNet For Real-time Semantic Segmentation

  • 作者单位: 美团

  • Paper: https://arxiv.org/abs/2104.13188

  • Code: https://github.com/MichaelFan01/STDC-Seg

3. Progressive Semantic Segmentation

  • 作者单位: VinAI Research, VinUniversity, 阿肯色大学, 石溪大学

  • Paper: https://arxiv.org/abs/2104.03778

  • Code: https://github.com/VinAIResearch/MagNet

4. Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers

  • 作者单位: 复旦大学, 牛津大学, 萨里大学, 腾讯优图, Facebook AI

  • Homepage: https://fudan-zvg.github.io/SETR

  • Paper: https://arxiv.org/abs/2012.15840

  • Code: https://github.com/fudan-zvg/SETR

5. Capturing Omni-Range Context for Omnidirectional Segmentation

  • 作者单位: 卡尔斯鲁厄理工学院, 卡尔·蔡司, 华为

  • Paper: https://arxiv.org/abs/2103.05687

  • Code: None

6. Learning Statistical Texture for Semantic Segmentation

  • 作者单位: 北航, 商汤科技

  • Paper: https://arxiv.org/abs/2103.04133

  • Code: None

7. InverseForm: A Loss Function for Structured Boundary-Aware Segmentation

  • 作者单位: 高通AI研究院

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Borse_InverseForm_A_Loss_Function_for_Structured_Boundary-Aware_Segmentation_CVPR_2021_paper.html

  • Code: None

8. DCNAS: Densely Connected Neural Architecture Search for Semantic Image Segmentation

  • 作者单位: Joyy Inc, 快手, 北航等

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Zhang_DCNAS_Densely_Connected_Neural_Architecture_Search_for_Semantic_Image_Segmentation_CVPR_2021_paper.html

  • Code: None

弱监督语义分割

9. Railroad Is Not a Train: Saliency As Pseudo-Pixel Supervision for Weakly Supervised Semantic Segmentation

  • 作者单位: 延世大学, 成均馆大学

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Lee_Railroad_Is_Not_a_Train_Saliency_As_Pseudo-Pixel_Supervision_for_CVPR_2021_paper.html

  • Code: https://github.com/halbielee/EPS

10. Background-Aware Pooling and Noise-Aware Loss for Weakly-Supervised Semantic Segmentation

  • 作者单位: 延世大学

  • Homepage:  https://cvlab.yonsei.ac.kr/projects/BANA/

  • Paper: https://arxiv.org/abs/2104.00905

  • Code: None

11. Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation

  • 作者单位: 南京理工大学, MBZUAI, 电子科技大学, 阿德莱德大学, 悉尼科技大学

  • Paper: https://arxiv.org/abs/2103.14581

  • Code: https://github.com/NUST-Machine-Intelligence-Laboratory/nsrom

12. Embedded Discriminative Attention Mechanism for Weakly Supervised Semantic Segmentation

  • 作者单位: 北京理工大学, 美团

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Wu_Embedded_Discriminative_Attention_Mechanism_for_Weakly_Supervised_Semantic_Segmentation_CVPR_2021_paper.html

  • Code: https://github.com/allenwu97/EDAM

13. BBAM: Bounding Box Attribution Map for Weakly Supervised Semantic and Instance Segmentation

  • 作者单位: 首尔大学

  • Paper: https://arxiv.org/abs/2103.08907

  • Code: https://github.com/jbeomlee93/BBAM

半监督语义分割

14. Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision

  • 作者单位: 北京大学, 微软亚洲研究院

  • Paper: https://arxiv.org/abs/2106.01226

  • Code: https://github.com/charlesCXK/TorchSemiSeg

15. Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for Semantic Segmentation

  • 作者单位: 华为, 大连理工大学, 北京大学

  • Paper: https://arxiv.org/abs/2103.04705

  • Code: None

16. Semi-Supervised Semantic Segmentation With Directional Context-Aware Consistency

  • 作者单位: 香港中文大学, 思谋科技, 牛津大学

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Lai_Semi-Supervised_Semantic_Segmentation_With_Directional_Context-Aware_Consistency_CVPR_2021_paper.html

  • Code: None

17. Semantic Segmentation With Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization

  • 作者单位: NVIDIA, 多伦多大学, 耶鲁大学, MIT, Vector Institute

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Li_Semantic_Segmentation_With_Generative_Models_Semi-Supervised_Learning_and_Strong_Out-of-Domain_CVPR_2021_paper.html

  • Code: https://nv-tlabs.github.io/semanticGAN/

18. Three Ways To Improve Semantic Segmentation With Self-Supervised Depth Estimation

  • 作者单位: ETH Zurich, 伯恩大学, 鲁汶大学

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Hoyer_Three_Ways_To_Improve_Semantic_Segmentation_With_Self-Supervised_Depth_Estimation_CVPR_2021_paper.html

  • Code: https://github.com/lhoyer/improving_segmentation_with_selfsupervised_depth

域自适应语义分割

19. Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation

  • 作者单位: ETH Zurich, 鲁汶大学, 电子科技大学

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Gong_Cluster_Split_Fuse_and_Update_Meta-Learning_for_Open_Compound_Domain_CVPR_2021_paper.html

  • Code: None

20. Source-Free Domain Adaptation for Semantic Segmentation

  • 作者单位: 华东师范大学

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Liu_Source-Free_Domain_Adaptation_for_Semantic_Segmentation_CVPR_2021_paper.html

  • Code: None

21. Uncertainty Reduction for Model Adaptation in Semantic Segmentation

  • 作者单位: Idiap Research Institute, EPFL, 日内瓦大学

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/S_Uncertainty_Reduction_for_Model_Adaptation_in_Semantic_Segmentation_CVPR_2021_paper.html

  • Code: https://git.io/JthPp

22. Self-Supervised Augmentation Consistency for Adapting Semantic Segmentation

  • 作者单位: 达姆施塔特工业大学, hessian.AI

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Araslanov_Self-Supervised_Augmentation_Consistency_for_Adapting_Semantic_Segmentation_CVPR_2021_paper.html

  • Code: https://github.com/visinf/da-sac

23. RobustNet: Improving Domain Generalization in Urban-Scene Segmentation via Instance Selective Whitening

  • 作者单位: LG AI研究院, KAIST等

  • Paper: https://arxiv.org/abs/2103.15597

  • Code: https://github.com/shachoi/RobustNet

24. Coarse-to-Fine Domain Adaptive Semantic Segmentation with Photometric Alignment and Category-Center Regularization

  • 作者单位: 香港大学, 深睿医疗

  • Paper: https://arxiv.org/abs/2103.13041

  • Code: None

25. MetaCorrection: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Segmentation

  • 作者单位: 香港城市大学, 百度

  • Paper: https://arxiv.org/abs/2103.05254

  • Code: https://github.com/cyang-cityu/MetaCorrection

26. Multi-Source Domain Adaptation with Collaborative Learning for Semantic Segmentation

  • 作者单位: 华为云, 华为诺亚, 大连理工大学

  • Paper: https://arxiv.org/abs/2103.04717

  • Code: None

27. Prototypical Pseudo Label Denoising and Target Structure Learning for Domain Adaptive Semantic Segmentation

  • 作者单位: 中国科学技术大学, 微软亚洲研究院

  • Paper: https://arxiv.org/abs/2101.10979

  • Code: https://github.com/microsoft/ProDA

28. DANNet: A One-Stage Domain Adaptation Network for Unsupervised Nighttime Semantic Segmentation

  • 作者单位: 南卡罗来纳大学, 天远视科技

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Wu_DANNet_A_One-Stage_Domain_Adaptation_Network_for_Unsupervised_Nighttime_Semantic_CVPR_2021_paper.html

  • Code: https://github.com/W-zx-Y/DANNet

Few-Shot语义分割

29. Scale-Aware Graph Neural Network for Few-Shot Semantic Segmentation

  • 作者单位: MBZUAI, IIAI, 哈工大

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Xie_Scale-Aware_Graph_Neural_Network_for_Few-Shot_Semantic_Segmentation_CVPR_2021_paper.html

  • Code: None

30. Anti-Aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation

  • 作者单位: 国科大, 清华大学

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Liu_Anti-Aliasing_Semantic_Reconstruction_for_Few-Shot_Semantic_Segmentation_CVPR_2021_paper.html

  • Code: https://github.com/Bibkiller/ASR

无监督语义分割

31. PiCIE: Unsupervised Semantic Segmentation Using Invariance and Equivariance in Clustering

  • 作者单位: UT-Austin, 康奈尔大学

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Cho_PiCIE_Unsupervised_Semantic_Segmentation_Using_Invariance_and_Equivariance_in_Clustering_CVPR_2021_paper.html

  • Code: https:// github.com/janghyuncho/PiCIE

视频语义分割

32. VSPW: A Large-scale Dataset for Video Scene Parsing in the Wild

  • 作者单位: 浙江大学, 百度, 悉尼科技大学

  • Homepage: https://www.vspwdataset.com/

  • Paper: https://www.vspwdataset.com/CVPR2021__miao.pdf

  • GitHub: https://github.com/sssdddwww2/vspw_dataset_download

33. Continual Semantic Segmentation via Repulsion-Attraction of Sparse and Disentangled Latent Representations

  • 作者单位: 帕多瓦大学

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Michieli_Continual_Semantic_Segmentation_via_Repulsion-Attraction_of_Sparse_and_Disentangled_Latent_CVPR_2021_paper.html

  • Code: https://lttm.dei.unipd.it/paper_data/SDR/

34. Exploit Visual Dependency Relations for Semantic Segmentation

  • 作者单位: 伊利诺伊大学芝加哥分校

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Liu_Exploit_Visual_Dependency_Relations_for_Semantic_Segmentation_CVPR_2021_paper.html

  • Code: None

35. Revisiting Superpixels for Active Learning in Semantic Segmentation With Realistic Annotation Costs

  • 作者单位: Institute for Infocomm Research, 新加坡国立大学

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Cai_Revisiting_Superpixels_for_Active_Learning_in_Semantic_Segmentation_With_Realistic_CVPR_2021_paper.html

  • Code: None

36. PLOP: Learning without Forgetting for Continual Semantic Segmentation

  • 作者单位: 索邦大学, Heuritech, Datakalab, Valeo.ai

  • Paper: https://arxiv.org/abs/2011.11390

  • Code: https://github.com/arthurdouillard/CVPR2021_PLOP

37. 3D-to-2D Distillation for Indoor Scene Parsing

  • 作者单位: 香港中文大学, 香港大学

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Liu_3D-to-2D_Distillation_for_Indoor_Scene_Parsing_CVPR_2021_paper.html

  • Code: None

38. Bidirectional Projection Network for Cross Dimension Scene Understanding

  • 作者单位: 香港中文大学, 牛津大学等

  • Paper(Oral): https://arxiv.org/abs/2103.14326

  • Code: https://github.com/wbhu/BPNet

39. PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation

  • 作者单位: 北京大学, 中科院, 国科大, ETH Zurich, 商汤科技等

  • Paper: https://openaccess.thecvf.com/content/CVPR2021/html/Li_PointFlow_Flowing_Semantics_Through_Points_for_Aerial_Image_Segmentation_CVPR_2021_paper.html

  • Code: https://github.com/lxtGH/PFSegNets 

上述39篇语义分割论文下载
后台回复：CVPR2021，即可下载上述论文PDF
CVPR和Transformer资料下载
后台回复：CVPR2021，即可下载CVPR 2021论文和代码开源的论文合集
后台回复：Transformer综述，即可下载最新的两篇Transformer综述PDF
CVer-语义分割交流群成立
扫码添加CVer助手，可申请加入CVer-语义分割 微信交流群，方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch和TensorFlow等群。
一定要备注：研究方向+地点+学校/公司+昵称（如语义分割+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群
▲长按加小助手微信，进交流群▲点击上方卡片，关注CVer公众号
整理不易，请给CVer点赞和在看
                    点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达作者：Amusi | 来源：CVer前言CVer 正式盘点CVPR 2021上各个方向的工作，本篇是热度依然很高的2...
				
图像分割——CVPR 2022 论文大盘点
本文盘点了CVPR 2022 目前为止的2D图像分割相关论文，包含语义分割和实例分割，总计22篇论文，值得学习。
2.1 语义分割
2.1.1 强监督
ReSTR: Convolution-free Referring Image Segmentation Using Transformers
论文：https://arxiv.org/pdf/2203.16768.pdf
代码：暂无
Bending Reality: Distortion-aware 

				
语义分割论文系列总结1.0经典论文总结1.1 FCN1.2 Parse-Net1.3 U-Net1.4 Deeplab系列（v1，v2，v3，v3+）1.5 Non-local
在语义分割领域研究论文和实现代码已经有快半年了，对语义分割目前阅读的所有论文做一个总结和回顾
语义分割定义：
对图片中每一个像素点进行像素级别的分类。
1.0经典论文总结
语义分割是图像领域一个重要的分支，而深度学习对图像领域的推动作用毋庸置疑，整篇文章也只是针对所有的深度学习语义分割论文进行总结。
1.1 FCN
2015年

				
表现SOTA！HyperSeg 有S、M和L版本，其中M版本在Cityscapes上可达76.2 mIoU / 36.9 FPS！性能优于BiSeNetV2、SwiftNet和DFANet等，代码即将开源！
注：文末附语义分割交流群
HyperSeg: Patch-wise Hypernetwork for Real-time Semantic Segmentation
论文下载链接：https://arxiv.org/abs/2012.11582
作者单位：Facebook AI, 特拉维夫大

				
目录详情知识补充语义分割实例分割动机Related WorksPer-pixel classification formulationMask classification formulationMaskFormerPixel-level moduleTransformer moduleSegmentation module掩膜分类推理语义推理
论文：Per-Pixel Classification is Not All You Need for Semantic Segmentation / Mas

				
语义分割调研（2021）
一、    Rethinking BiSeNet For Real-time Semantic Segmentation
·    Paper: https://arxiv.org/abs/2104.13188
·    Code: https://github.com/MichaelFan01/STDC-Seg
文章归类：图像分割，网络结构创新，实时
主体思想：
1、希望利用网络结构的改造，来弥补“感受野”受限的不足，因此BiSeNet的网络结构拥有两条主线“Spatial Pa

				
Blind SR是指在没有参考图像的情况下进行超分辨率重建，这是一项有挑战性的任务。该任务主要面临两个问题：1）盲目估计模糊内核，2）缺失参考图像无法建模高频细节。近年来，学术界提出了许多解决方案，包括基于缺失信息的单一图像超分辨率重建策略，如基于外部学习的盲SR方法，基于联合降噪的盲SR方法，以及基于深度学习的盲SR方法。在CVPR2021上，许多学者聚集在一起，分享他们在该领域的最新研究成果。这些研究成果展示了一些创新的思路，例如基于鲁棒PCA的盲SR方法，基于深度学习的盲SR网络，以及采用自适应加权半正定规划的盲SR方法。这些新方法为盲SR任务提供了有力的解决方法，并有望将其应用于实际场景中。总的来说，盲SR的发展为图像的高质量重建提供了新的思路和创新的技术，未来将会有更多研究人员投身于该领域，推动其不断前进。
 
推荐文章
苦闷的领带  ·  看火人杨木小溪地点指引- 成就指南- 其乐Keylol - 驱动正版游戏的引擎！
10 月前
温暖的弓箭  ·  民主党_百度百科
11 月前
打盹的刺猬  ·  高淳发布
1 年前
挂过科的熊猫  ·  中国科学技术大学软件学院2024年硕士研究生招生复试总体安排预通知
1 年前
帅气的领带  ·  历史要辩证地看：电视剧中的狄仁杰PK历史上真实的狄仁杰_手机搜狐网
2 年前
Link管理   ·   Sov5搜索   ·   小百科
小百科 - 百科知识指南