最近在调研3D算法方面的工作，整理了几篇多视角学习的文章。还没调研完，先写个大概。

  基于RGBD的语义分割的工作重点主要集中在如何将RGB信息和Depth信息融合，主要分为三类：省略。

目录

1、(ICCV2017)《RDFNet: RGB-D Multi-level Residual Feature Fusion for Indoor Semantic Segmentation》

用于室内语义分割的RGB-D多级残差特征融合

论文地址：https://openaccess.thecvf.com/content_iccv_2017/html/Park_RDFNet_RGB-D_Multi-Level_ICCV_2017_paper.html

代码：https://github.com/SeongjinPark/RDFNet

文章介绍：https://blog.csdn.net/u012113559/article/details/81363756

2、（2018 Arxiv）RedNet:Residual Encoder-Decoder Network for indoor RGB-D Semantic Segmentation

论文地址：https://arxiv.org/abs/1806.01054

代码：https://github.com/JindongJiang/RedNet

文章介绍：https://blog.csdn.net/qq_41375318/article/details/104311597、

https://blog.csdn.net/qq_41375318/article/details/103451966

3、（ICIP2019）ACNet：使用注意力网络的RGBD图像语义分割方法

论文地址：https://arxiv.org/abs/1905.10089

代码：https://github.com/anheidelonghu/ACNet

文章介绍：https://blog.csdn.net/kevin_zhao_zl/article/details/100750591、

https://zhuanlan.zhihu.com/p/82193530

4、(NIPS2020)Deep Multimodal Fusion by Channel Exchanging

论文地址：https://arxiv.org/abs/2011.05005

代码：https://github.com/yikaiw/CEN

文章介绍：https://zhuanlan.zhihu.com/p/341959576、

https://blog.csdn.net/hongyuge/article/details/109632887

视频讲解：https://www.bilibili.com/video/BV1ya4y1W7Hf

5、（ECCV2020）Bi-directional Cross-Modality Feature Propagation with Separation-and-Aggregation Gate for RGB-D Semantic Segmentation

论文地址：https://arxiv.org/abs/2007.09183

代码：https://github.com/charlesCXK/RGBD_Semantic_Segmentation_PyTorch

文章介绍：https://blog.csdn.net/sinat_17456165/article/details/107805136

6、（arxiv2021）GLPNet:Global-Local Propagation Network for RGB-D Semantic Segmentation

论文地址：https://arxiv.org/abs/2101.10801

代码：无

文章介绍：

7、(ACCV 2016) FuseNet: Incorporating Depth into Semantic Segmentation via Fusion-based CNN Architecture

论文地址：https://www.semanticscholar.org/paper/FuseNet%3A-Incorporating-Depth-into-Semantic-via-CNN-Hazirbas-Ma/9360ce51ec055c05fd0384343792c58363383952

代码：https://github.com/tum-vision/fusenet

文章介绍：https://blog.csdn.net/u013841196/article/details/82939619

8、（SCIA2017）Multimodal Neural Networks: RGB-D for Segmantic Segmentation and Object Detection

论文地址：https://www.researchgate.net/publication/317803469_Multimodal_Neural_Networks_RGB-D_for_Semantic_Segmentation_and_Object_Detection

代码：

文章介绍：https://blog.csdn.net/qq_38316300/article/details/109546441

9、（3DV2019）3D Neighborhood Convolution: Learning Depth-Aware Features for RGB-D and RGB Semantic Segmentation

论文地址：https://arxiv.org/abs/1910.01460

代码：

文章介绍：https://blog.csdn.net/cangafuture/article/details/113822865

10、（ICCV2017）3D Graph Neural Networks for RGBD Semantic Segmentation

论文地址：https://ieeexplore.ieee.org/document/8237818

代码：https://github.com/yanx27/3DGNN_pytorch

文章介绍：https://blog.csdn.net/P_LarT/article/details/88774811、https://blog.csdn.net/P_LarT/article/details/88774811

多模态Transformer

论文地址：https://arxiv.org/abs/1906.00295

代码：https://github.com/yaohungt/Multimodal-Transformer

论文介绍：https://zhuanlan.zhihu.com/p/84678022?from_voters_page=true、https://zhuanlan.zhihu.com/p/340113856、https://blog.csdn.net/zpainter/article/details/111867693

Transformer语义分割（SETR）

论文地址:https://arxiv.org/abs/2012.15840

代码：https://github.com/fudan-zvg/SETR

文章介绍：https://zhuanlan.zhihu.com/p/341768446

TransUNet：用于医学图像分割的Transformers强大编码器

论文地址：https://arxiv.org/abs/2102.04306

代码：https://github.com/Beckschen/TransUNet

文章介绍：https://blog.csdn.net/weixin_49627776/article/details/115710379

SegFormer：使用Transformer进行语义分割的简单高效设计

论文地址：https://arxiv.org/abs/2105.15203

代码：https://github.com/NVlabs/SegFormer

文章介绍：https://zhuanlan.zhihu.com/p/379054782

Swin-Unet：首个纯Transformer的医学图像分割网络

论文地址：https://arxiv.org/abs/2105.05537

代码：https://github.com/HuCaoFighting/Swin-Unet（目前未开源）

文章介绍：https://blog.csdn.net/amusi1994/article/details/116957208

学习跨模态深度表达用于多模态MR图像分割

地址：https://zhuanlan.zhihu.com/p/349918500

几篇关于RGBD语义分割文章的总结的更多相关文章

  1. 语义分割--全卷积网络FCN详解

    语义分割--全卷积网络FCN详解   1.FCN概述 CNN做图像分类甚至做目标检测的效果已经被证明并广泛应用,图像语义分割本质上也可以认为是稠密的目标识别(需要预测每个像素点的类别). 传统的基于C ...

  2. 【Semantic segmentation Overview】一文概览主要语义分割网络（转）

    文章来源:https://www.tinymind.cn/articles/410 本文来自 CSDN 网站,译者蓝三金 图像的语义分割是将输入图像中的每个像素分配一个语义类别,以得到像素化的密集分类 ...

  3. 多篇开源CVPR 2020 语义分割论文

    多篇开源CVPR 2020 语义分割论文 前言 1. DynamicRouting:针对语义分割的动态路径选择网络 Learning Dynamic Routing for Semantic Segm ...

  4. caffe初步实践---------使用训练好的模型完成语义分割任务

    caffe刚刚安装配置结束,乘热打铁! (一)环境准备 前面我有两篇文章写到caffe的搭建,第一篇cpu only ,第二篇是在服务器上搭建的,其中第二篇因为硬件环境更佳我们的步骤稍显复杂.其实,第 ...

  5. 【Keras】基于SegNet和U-Net的遥感图像语义分割

    上两个月参加了个比赛,做的是对遥感高清图像做语义分割,美其名曰"天空之眼".这两周数据挖掘课期末project我们组选的课题也是遥感图像的语义分割,所以刚好又把前段时间做的成果重新 ...

  6. 笔记：基于DCNN的图像语义分割综述

    写在前面:一篇魏云超博士的综述论文,完整题目为<基于DCNN的图像语义分割综述>,在这里选择性摘抄和理解,以加深自己印象,同时达到对近年来图像语义分割历史学习和了解的目的,博古才能通今!感 ...

  7. 语义分割丨PSPNet源码解析「训练阶段」

    引言 之前一段时间在参与语义分割的项目,最近有时间了,正好把这段时间的所学总结一下. 在代码上,语义分割的框架会比目标检测简单很多,但其中也涉及了很多细节.在这篇文章中,我以PSPNet为例,解读一下 ...

  8. 语义分割(semantic segmentation) 常用神经网络介绍对比-FCN SegNet U-net DeconvNet，语义分割,简单来说就是给定一张图片,对图片中的每一个像素点进行分类；目标检测只有两类,目标和非目标，就是在一张图片中找到并用box标注出所有的目标.

    from:https://blog.csdn.net/u012931582/article/details/70314859 2017年04月21日 14:54:10 阅读数:4369 前言 在这里, ...

  9. 基于FCN的图像语义分割

    语义图像分割的目标在于标记图片中每一个像素,并将每一个像素与其表示的类别对应起来.因为会预测图像中的每一个像素,所以一般将这样的任务称为密集预测.(相对地,实例分割模型是另一种不同的模型,该模型可以区 ...

随机推荐

  1. 备份schema并排除大表到ASM磁盘上

    1.查出占用空间比较大的表 select owner,segment_name,segment_type,bytes/1024/1024 mb from dab_segment where owner ...

  2. TKE 体验升级：更快上手 K8s 的24个小技巧

    作者 王孝威,腾讯云容器产品经理,热衷于为客户提供高效的 Kubernetes 使用方式,为客户极致降本增效服务. 背景 "功能"解决是产品有或者没有一个能力的问题,有了" ...

  3. kube-controller-manager源码分析-PV controller分析

    kubernetes ceph-csi分析目录导航 概述 kube-controller-manager组件中,有两个controller与存储相关,分别是PV controller与AD contr ...

  4. Unity 添加，修改默认创建脚本模板

    Unity 默认创建的脚本可以添加也可以修改,不需要修改Editor. 一.找到模板目录 \Editor\Data\Resources\ScriptTemplates 二.如果要修改模板,直接打开修改 ...

  5. Spring Cloud 专题之四：Zuul网关

    书接上回: SpringCloud专题之一:Eureka Spring Cloud专题之二:OpenFeign Spring Cloud专题之三:Hystrix 经过前面三章对Spring Cloud ...

  6. 【Azure 应用程序见解】Application Insights Java Agent 3.1.0的使用实验，通过修改单个URL的采样率来减少请求及依赖项的数据采集

    问题描述 近日好消息,如果是一个Java Spring Cloud的项目,想使用Azure Applicaiton Insights来收集日志及一些应用程序见解.但是有不愿意集成SDK来修改代码或者配 ...

  7. POJ 2084 Game of Connections 卡特兰数

    看了下大牛们的,原来这题是卡特兰数,顺便练练java.递归式子:h(0)＝1,h(1)＝1   h(n)= h(0)*h(n-1) + h(1)*h(n-2) + ... + h(n-1)h(0) ( ...

  8. Vue 两个字段联合校验典型例子--修改密码

    1.前言   本文是前文<Vue Element-ui表单校验规则,你掌握了哪些?>针对多字段联合校验的典型应用.   在修改密码时,一般需要确认两次密码一致,涉及2个属性字段.类似的涉及 ...

  9. ROS2学习之旅（1）——初识ROS2

    本系列用来记录ROS2的学习过程,有错误或者不合理的地方请大家指正.由于博主具有ROS1的学习经历,会添加一些与ROS1的一些对比,当然这对于ROS2本身的学习内容没有丝毫影响,欢迎大家积极与我在评论 ...

  10. 1.3.2、通过Cookie匹配

    server: port: 8080 spring: application: name: gateway cloud: gateway: routes: - id: guo-system4 uri: ...