卷积神经网络在线自适应视频目标分割
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
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
本文提出了一种基于对比学习的无监督在线视频目标分割算法,利用光流作为输入,通过聚类的方式学习物体运动信息,并采用边界先验进行对比学习以提高特征鉴别度和分割精度,该算法在多个数据集上取得了超过现有方法的精度并在效率和准确性之间达到了良好的平衡。
Jun, 2023
本研究提出了一种端到端的深度神经网络,结合了 Mask-RCNN 实例分割网络和 Conv-GRU 视觉记忆模块,用于解决半监督视频对象分割任务,实验结果表明该方法在 DAVIS 数据集上取得了令人满意的结果。
Sep, 2019
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
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
本研究提出了一种快速准确的视频目标分割算法,使用一个基于部件跟踪的方法来处理具有大变形、遮挡或杂乱背景的视频,生成部分掩模,最后采用基于相似性得分的函数来完善目标部分。实验结果表明,此算法可在 DAVIS 基准数据集上获得比其他算法更高的分割精度,并实现更快的运行时性能。
Jun, 2018
本文提出了一种新的无监督在线视频目标分割框架,通过结合运动属性以便于分割出区分明显的移动部分,并利用显著性动态检测和物体提议等研究方法设计出像素级的融合策略,实现对在不同帧之间的目标传播和运动检测的稳健性处理,最终在多个基准数据集上实现了比先前算法更高的绝对增益。
Oct, 2018