实例级显著目标分割
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。
Apr, 2017
本文提出了第一种基于弱监督学习的显著性实例检测方法,利用分类和子计数信息分别作为两个分支,通过融合三个分支的信息来产生显著性实例地图。实验证明该方法相比于基于相关任务的基线方法表现良好。
Sep, 2020
本篇论文提出采用无监督学习方法生成的显著图用于像素级注释,在此基础上采用简单而有效的算法训练卷积神经网络,使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图,结果表明,该算法与目前最佳的强监管方法相当,性能明显优于所有最新的无监督显著性检测方法。
Mar, 2018
该论文提出了一种简单而有效的实例级特征表示法,解决了类非特定实例定位和独特特征表示的问题,并通过平均池化检测到的实例区域上的特征图来产生独特特征表示,进而提高了实例搜索和基于内容的图像搜索的性能。
Feb, 2020
本文提出一种基于多层图像分割的监督学习方法,将区域特征向量映射到显著性得分,最终融合多个级别的得分来产生显著图,同时通过研究区域对比度和背景性质,实现了在六个基准数据集上优于现有方法的显著物体检测算法。
Oct, 2014
本文介绍了一种单级特征显著实例分割框架,利用分类无关属性设计出一种新型分割网络分支,并对其设计进行详尽的分析,并在公开基准测试中展示了其超越其他选择的结果。
Nov, 2017
本文提出了一个深度学习模型,通过数据增强技术和动态显著性模型来高效地检测视频中的显著区域,该模型在 DAVIS 和 FBMS 数据集上达到了最新的性能标准。
Feb, 2017
本文提出了一种新颖的统一模型来同时分割显著实例并推断它们的相对显著性顺序,该模型首次使用改进的 Mask R-CNN 进行显著实例分割,然后添加显著性排名分支来推断相对显著性。对于相对显著性排名,我们构建了一个新的图形推理模块,通过将四个图形结合起来以分别引入实例间相互关系、局部对比度、全局对比度和高层语义先验。该文的实验结果表明,我们提出的模型比以前的方法更加有效。
Jul, 2021