无关视角实体分割
本文提出了第一个全新的端到端可训练模型，为语义无模态分割预测非实例的遮挡区域，实验结果表明，本模型选择的架构有助于无模态分割，并在 COCO 无模态数据及两个新数据集上均提供了强大的基础性能。
Apr, 2018
本文提出了一种无需预测提议、将 amodal mask 分配到不同层级、通过在每一层独立地进行 amodal 实例回归来预测交通参与者及其语义标签的 proposal-free 多标签多类别无缝分割网络，并采用共享骨干和不对称双解码器的 et 架构以及 amodal mask refiner，其在 BDD100K-APS 和 KITTI-360-APS 数据集上的测试表明超越了现有技术水平。
May, 2022
我们研究的问题是不完全图像分割：预测包括可见和不可见（被遮挡）部分的完整对象分割掩膜。我们使用 3D 数据构建了一个自动管道来确定真实的部分遮挡对象的不完全真值分割掩膜，并通过两种架构变体探索了在野外处理不完全完成任务的方法。我们的方法在包括 COCOA 和我们的新 MP3D-Amodal 数据集在内的不完全分割数据集上取得了最新的最好性能。
Dec, 2023
提出一种名为 amodal panoptic segmentation 的任务，旨在同时预测 stuff 类可见区域的像素级别语义分割标签和 thing 类可见区域以及遮挡区域的实例分割标签。扩展两个基准数据集以便研究新任务，在公开可用的 KITTI-360-APS 和 BDD100K-APS 中提供像素级别的 amodal panoptic 分割标签。提出了 APSNet 模型，它显式地建模了遮挡物和被遮挡物的复杂关系。在两个基准测试上达到了最先进的性能。
Feb, 2022
本文探讨了利用贝叶斯模型解决神经网络中的物体分割模糊出界问题，通过利用对象的背景和形状作为先验知识来实现模型对训练任务标签的超出范围的推理，并通过应用异常值处理技术来推广到部分被遮挡的对象并预测其模态对象边界。
Oct, 2020
本文介绍了一种基于 Hierarchical Occlusion Modeling 方案的 Unseen Object Amodal Instance Segmentation（UOAIS）技术，可以检测出未被发现目标实例上的可见掩蔽、Amoldal 掩蔽和遮挡，并在三种基准测试环境中取得了最新的最佳表现，可用于机器人在拾取遮挡物品时。
Sep, 2021