Sep, 2017

室内场景的联合几何与物体分割

PDF
TL;DR该论文介绍了一种名为 SceneCut 的新方法，它使用单个 RGB-D 图像联合推理场景语义和几何学，从而使机器人能够在现代基于深度学习的方法在分离对象实例方面失败或在训练期间未见过的对象上失败的复杂场景中检测和分割对象实例。我们评估了 SceneCut 在几个不同的室内环境中，结果表明 SceneCut 显著优于所有现有的方法。
scenecutrgb-d imageobject detectionsegmentationhierarchical segmentation trees
发现论文，激发创造
  • DeepCut: 使用卷积神经网络从边界框标注进行对象分割

    本文提出了 DeepCut 算法，使用神经网络分类器和 CRF 条件随机场以及弱监督技术，从带有边界框标注的图像数据集中训练对象分割模型，取得了在胎儿磁共振图像数据集的脑和肺分割问题上具有良好精度的结果。

    May, 2016

  • 使用自监督 Transformer 和归一化割分割图像和视频中的对象

    本研究采用基于图形的算法，通过利用自我监督变压器获得的特征来检测和分割图像和视频中的显着对象，并最终通过经典的归一化割算法解决检测和分割问题，并在多个常见的图像和视频检测和分割任务中实现了最新的结果。

    Sep, 2022

  • 3DMV：三维多视角联合预测在三维语义场景分割中的应用

    提出了一种名为 3DMV 的新型方法，使用联合 3D - 多视图预测网络对室内环境中 RGB-D 扫描进行三维语义场景分割。通过将 RGB 和几何特征相结合，并以一个可微的 backprojection 层将其映射到三维网格中，这种联合二维 - 三维架构实现了比现有基线方法显著更好的结果。

    Mar, 2018

  • 基于 SAM 引导的图割算法的三维实例分割

    本文通过同时利用 3D 几何和多视角图像信息来解决 3D 实例分割的挑战，引入了一种新颖的 3D 到 2D 查询框架来有效地利用 2D 分割模型进行 3D 实例分割，并通过图切割问题和图神经网络来实现场景的超点图构建和处理。实验结果表明该方法在不同类型的场景中都能实现强大的分割性能和泛化能力。

    Dec, 2023

  • 基于 RGB-D 室内数据的深度学习三维实例分割

    通过将深度学习与 RGB-D 数据相结合，提出了一种用于高效 3D 实例分割的新方法，该方法通过点状渲染模块将 2D 区域卷积神经网络（Mask R-CNN）模型与深度信息集成，可以识别和分割对象的 3D 实例，实验证明该方法对于支持机器人和智能系统中的物体处理非常有益。

    Jun, 2024

  • 室内场景的完整三维模型预测

    本文提出了一种基于数据驱动的方法解释室内场景，并利用 CAD 3D 模型表示场景中的物体和墙壁布局，最终在 NYU 数据集上呈现了令人鼓舞的结果。

    Apr, 2015

  • 室内场景实时渐进式 3D 语义分割

    本文提出了一种高效而健壮的技术，实现了 3D 室内场景的即时密集语义分割和重建，该方法基于高效的超体素聚类方法和来自结构和对象线索的高阶约束的条件随机场，无需预先计算即可进行渐进式密集语义分割。通过对 SceneNN 和 ScanNet 数据集中的不同室内场景进行广泛评估，证明了该技术在定性和定量实验中始终能够产生最先进的分割结果。

    Apr, 2018

  • 从 3D 室内重建学习 3D 语义场景图

    本文提出了一种基于场景图的三维场景理解方法，它将场景中的实体组织成图形式，运用基于 PointNet 和 Graph Convolutional Networks（GCN）的学习方法实现了场景图的回归，并且引入了一个新的数据集 3DSSG 来支持该方法的应用和评估。

    Apr, 2020

  • 一个强健的 3D-2D 交互工具用于场景分割和标记

    本文介绍一种通过 2D 和 3D 信息交互的方式，构建一个鲁棒性强且方便使用的注释工具，以有效及方便地对大量 3D 场景数据进行分割和注释，并提供一份使用该工具注释的数据集。

    Oct, 2016

  • 选择性视频对象抠图

    本文提出了一种基于金字塔直方图的置信度图和基于测地距离的动态模型的视频分割方法，使用本地分类器进行不确定性传递来确定图像区域，并通过对不确定区域的精细化加工得到前景分割结果。此方法能极大地减少手动标注，提高分割性能。在两个标准测试集上进行的实验表明，该方法具有卓越的性能，并且相对于现有技术具有较好的计算效率和减少手动标注的性质。

    Feb, 2017