使用深度密集连接MRF的自动驾驶实例级分割
本文提出了一种利用多实例学习(MIL)方法进行多类语义分割的学习的新算法,只需要通过图像级标记进行训练,同时采用全卷积网络来优化细分标签的分配。实验结果表明,该方法在PASCAL VOC数据集的分割挑战任务中有良好的表现。
Dec, 2014
本文针对从单目图像进行实例级别分割和深度排序的问题,利用卷积神经网络训练来直接预测实例级别分割,同时采用马尔科夫随机场来提供图像的连贯单个解释,旨在预测准确的实例级别分割和深度排序,并在KITTI基准测试中表现出很好的性能。
May, 2015
通过将结构化预测降低到一系列无约束的预测问题,本文演示了该方法能够自动从数据中发现形状,区域预测的连续性和区域轮廓的平滑性的先验知识,从而在实例分割任务上优于最先进的技术。
Nov, 2015
本文进行了实例感知语义分割的研究,提出了一种利用全卷积网络的方法预测语义标签、深度和基于实例的编码,并通过低层次计算机视觉技术在KITTI和Cityscapes街景数据集上生成最先进的实例分割,该方法在性能上超过了现有的工作,并可以额外预测单个实例与单眼图像的绝对距离以及像素级语义标签。
Apr, 2016
本文研究目标检测和实例分割问题,提出了一种基于像素级别标签的解决方案,证明了构造可以分离对象实例的密集像素嵌入不易使用卷积运算实现,但也表明了简单的修改可以更好地解决该问题。我们将其与Hough投票和双边核的变体相关联,并演示了这些运算符可以用于改进Mask RCNN等方法。
Jul, 2018
本文介绍了一种基于Weakly-supervised instance segmentation方法、称为Label-PEnet的分割网络,能够从图像级标签逐步转化到像素级标签,主要包含四个模块:多标签分类、目标检测、实例细化和实例分割,并通过Curriculum Learning策略将标签从高层次图像逐渐泛化到低层次像素。我们同时设计了一种Proposal Calibration模块来验证分类网络找到识别对象部件的关键像素的能力。实验结果表明,相比现有方法,Label-PEnet性能更好,甚至可以达到全监督方法的水平。
Oct, 2019
提出了一种新的、非常简单的实例分割方法,通过引入“实例类别”概念,将实例掩码分割转化为可分类问题。实验结果表明,该方法具有较强的性能和简单的框架,可以作为许多实例级别识别任务的基准。
Dec, 2019
本文提出了一种利用全卷积神经网络直接预测实例标签的方法,并将分割问题作为最小化优化函数的变分松弛问题来处理,并扩展了经典的Mumford-Shah变分分割问题以处理实例分割中的置换不变标签,实验证明此方法能有效地解决实例分割任务。
Jul, 2020
介绍一种新的角度来处理实例分割任务:引入“实例类别”的概念,其根据实例的位置给每个像素分配类别,从而提出了Segmenting Objects by Locations(SOLO)。我们的方法消除了后处理分组或边界框检测的需求,并以在速度和准确性方面都取得了最新成果,同时比现有方法相对简单。
Jun, 2021