运动分割的详细评分标准
本研究基于第一原理推导出新的似然函数,使用角度和光流大小的新组合来最大化关于物体真实运动的信息,开发了一种运动分割算法,比当前最先进的方法提高了很大的准确率,并在两个已建立的基准测试和一个新的伪装动物数据集上进行了对比。
Apr, 2016
本文提出了一种基于神经网络的视频分割方法,用于区分视频帧中独立运动的物体,并利用对象运动、外观和时间一致性等多个信息源,通过对数据进行训练得到模型,经过评估表明该模型在 DAVIS、Freiburg-Berkeley 运动分割数据集和 SegTrack 等数据集上表现良好。
Dec, 2017
该论文提出了一种用于视频中物体分割的方法,结合了帧级物体检测与物体跟踪、运动分割等概念,提取了基于现成检测器的时间一致性物体管,结合运动线索提供视频分割,克服了弱监督 / 无监督视频分割的典型问题,并提供每个对象的精确、时间一致的分割。
Aug, 2016
本论文致力于解决如何从摄像机测量的数据中,使用视频目标分割技术学习估计物体深度的问题,为此我们首先引入了一个多样化的,可扩展的数据集,其次设计了一种新颖的深度学习网络,该网络仅使用分割掩模和不合格的摄像机运动即可估计物体深度,我们的方法可以通过机器人和车载摄像头,在不同领域进行定位目标和避开障碍物的实验。
Jul, 2020
该论文综述了在视频分割中使用的深度学习算法,其中包括了对象分割和语义分割,同时提供了这两种方法和数据集的详细概述,以及在几个知名数据集上的性能评估和未来研究的机会。
Jul, 2021
本研究介绍了一种基于运动线索的分割方法,使用 Transformer 网络结构,采用自我监督的方法进行训练,结果在公共基准测试中表现优异,证明在现有视频分割模型中,对于运动线索的重要性,以及对视觉外观存在潜在偏差的可能性。
Apr, 2021
提出了一种背景感知的运动引导对象发现方法,通过利用光流提取的运动对象的遮罩并设计学习机制将其扩展到由移动和静止对象组成的真实前景,并在对象发现过程中隔离背景,从而实现对象发现任务和对象 / 非对象分离的联合学习,为对象发现性能和对象 / 非对象分离建立了强有力的基线。
Nov, 2023