单次视频目标分割
本论文提出了一种视频目标分割 (VOS) 的新的一次性训练框架,只需要一个标记的帧来训练,并适用于大多数最先进的 VOS 网络。通过双向训练,我们得到了一个令人满意的 VOS 网络,仅使用了 YouTube-VOS 和 DAVIS 数据集的一个标记的帧,达到了与完全标记的数据集训练的结果相当的效果。
May, 2024
本文介绍了一种半监督视频目标分割方法,它使用了基于一阶段学习的预训练神经网络,结合在线训练和预训练步骤,显著提高了在 DAVIS 数据集上的分割性能。
Jun, 2017
该研究提出了一种新的、自动化的视频物体分割方法,通过集成一种可区分的少量样本学习模块,提高了分割精度,实现了当前 YouTube-VOS 2018 数据集的最新最佳分数,并使相对改进率达到了 2.6%以上。
Mar, 2020
本研究探讨了如何通过引入语义先验来指导外观模型,从而解决半监督视频对象分割的问题,并提出了半监督视频对象分割(SGV)方法,该方法能够在每帧半秒钟的时间内,在两个不同的数据集上使用各种评估指标,比以前的最新技术取得更好的结果。
Apr, 2017
本文提出了一种新的视频对象分割训练范式 - 两张标记帧的视频对象分割,通过在训练期间生成伪标签并将其与已标记数据结合优化模型,我们仅需要稀疏注释就可以训练出令人满意的模型。通过使用 YouTube-VOS 和 DAVIS 基准测试的仅仅 7.3%和 2.9%标记数据,我们的方法取得了与全标记集训练的同行相当的结果。
Mar, 2023
本研究提出了一种基于轨迹分组和决策森林的算法,名为 UnOVOST,用于解决无监督的视频对象分割和跟踪问题,并在 DAVIS 2017 Unsupervised 数据集上达到了最先进性能。
Jan, 2020
该研究提出了一种基于循环神经网络的视频多目标分割模型,实现了零样本学习和时间上的目标连贯性,此模型在 DAVIS-2017 和 YouTube-VOS 基准测试上取得了优异的表现,并且其推理时间比现有方法更快。
Mar, 2019
该研究提出了一种新的视频对象分割方式,它由轻量级模块和分割模型两部分组成。在推理阶段使用快速优化技术学习目标外观模型,以预测出粗略但鲁棒的目标分割,然后将粗略的分数转化成高质量的分割掩模,该模式具有快速、易于训练、在有限的训练数据情况下仍然高效等优点。在挑战性的 YouTube-VOS 和 DAVIS 数据集上进行了广泛实验,其结果与现有技术相比具有更高的帧率和优异的性能。
Feb, 2020