CVPRApr, 2017

动态实例化网络的像素级实例分割

PDF
TL;DR该论文提出了一种基于语义分割的实例分割系统，利用 CRF 预测具有对象类和实例标签的分割地图，从而提高难度较大的像素级别分割精度，使像素不能属于多个实例，并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。
instance segmentationobject detectionsemantic segmentationcrfpixel-level
发现论文，激发创造
  • 基于深度高阶 CRF 的自下而上的实例分割

    该研究采用基于深度神经网络的条件随机场方法，实现了物体的像素级别识别和定位。通过结合语义分割和目标检测技术，有效提高了实例级分割的准确性。

    Sep, 2016

  • 深度变分实例分割

    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

  • 跨越类别级别和实例级别的语义图像分割

    通过语义类别分割为基础，使用一种深度卷积回归网络来预测像素级的实例边界框，以实现语义实例分割，同时在训练过程中采用在线引导方法来进一步提高语义类别分割和实例级分割的效果，以最终在 PASCAL VOC 2012 数据集上取得最佳结果。

    May, 2016

  • 实例分割综述：现状

    本文综述了实例分割的背景、问题、技术、演化、流行数据集及现有相关工作和未来前景，为从事实例分割领域研究的人提供了有价值的信息。

    Jun, 2020

  • 多任务网络级联实例感知语义分割

    本文介绍了一种基于 Multi-task Network Cascades 的实例感知语义分割模型，该模型包含三个网络，分别用于区分实例、估算掩模和分类物体。该方法在 PASCAL VOC 数据集上达到了最先进的实例感知语义分割准确度，并且速度比之前的系统快两个数量级。

    Dec, 2015

  • 基于提议的实例级目标分割的网络

    本文提出了一个 Proposal-Free Network (PFN)，通过基于像素到像素的深度卷积神经网络实现不需要候选区域的实例级对象分割，并结合聚类方法，取得了显著的实例级对象分割表现，与最先进的算法相比在 PASCAL VOC 2012 上的 $AP^r$ over 20 类在 0.5 交并比下从 43.8％增加到 58.7％。

    Sep, 2015

  • 实例级显著目标分割

    本篇论文介绍了如何通过使用深度卷积神经网络，建立图像中的显著性实例分割方法，通过一个多尺度显著实例分割网络生成高质量的显著性分割结果，并在公共基准测试中取得了最优的结果。

    Apr, 2017

  • 学习聚类用于无需提议的实例分割

    本研究介绍了一种新的学习目标，用于训练深度神经网络执行端对端的图像像素聚类，该方法已应用于实例分割，其结果是出色的，并且在 2017 CVPR 自动驾驶挑战的车道检测竞赛中获得第二名，而在不使用外部数据的情况下是最优表现者。

    Mar, 2018

  • 全局，实例级人体解析

    该论文讨论了通过实例级别的语义部件分割实现目标解析的方法。网络结构由分类级别分割模块以及可处理每个图像中不同数量人体检测结果的差分有条件随机场组成，网络通过单次前向传递输出实例级别部件和人体部分分割结果，同时能够实现有效的目标计数和分类级别部分分割。

    Sep, 2017

  • 循环实例分割

    该研究提出了一种基于循环神经网络的端到端方法，通过顺序地查找每个不同的目标对象及其分割来解决实例分割的问题，并通过空间记忆来跟踪已解释的像素，以处理遮挡，这种方法优于当前所有最先进的方法。

    Nov, 2015