通过利用深度融合技术和深度学习的物体检测和语义分割算法,我们成功地解决了在复杂场景中感知目标物体的问题,并在 Amazon Picking Challenge2016 和紧急响应场景数据集上进行了验证。
Oct, 2018
该论文提出一种基于视觉 - 语言嵌入模型和测试时增强技术的无监督伪标记方法,可以在不需要训练语义分割网络或看到任何分割掩码的情况下为每个对象创建语义分割遮罩。
Dec, 2021
本文提出新的计算机视觉方法,使 3D 语义分割可以更好地理解具有更多类别和自然分布的真实环境,并在新的扩展基准上测试,使用语言驱动的预训练方法使特征更鲁棒。实验结果表明,我们的方法在提出的基准上始终优于现有技术。
Apr, 2022
本论文提出了一种新的基于弱监督和半监督框架的语义分割系统,可以处理包括对象、部分、杂物和属性在内的无限数量的概念,通过训练深度神经网络,产生视觉 - 语义嵌入,在完全注释的数据集上训练注意力驱动类无关分割网络。
Aug, 2018
本文提出了一种基于深度学习的机器人物体分割方法,通过解决两个子问题:机械臂与物体与背景的分割和物体与机械臂的分割,实现了无需人工标注数据即可训练网络的自我识别能力,实验证明该方法优于现有最优的自适应手持物体分割算法,并通过测试数据表明使用包含手持物体的自动标注图像的训练集可以提高物体在环境中的分割性能。
Apr, 2019
该研究提出了一种基于图像类别标签的新型递归粗到细语义分割框架,可用于图像分割和前景分割等任务,并且只需要一个标签来处理包含多类别对象的图像。
Dec, 2018
本文利用深度学习网络结构,使用单个深度图像为输入,实现了语义分割中对可见和遮挡物体及其部分的类型预测,将语义类别进一步细分为背景和多个前景物体组,并改进了标准的交叉熵损失函数以适应这种情况,实验证明所提出的分类方法能够验证预测出被遮挡物体部分的语义类别,无需增加网络结构规模,其性能在由 SUNCG 数据集生成的新数据集上得到验证。
Jun, 2019
本文提出了一种方法,利用粗略标注的数据和精细监督来产生比仅使用精细数据训练时更好的分割结果。在 Cityscapes 数据集上进行实验,验证了该方法的有效性。
Jul, 2018
该研究提出了一种将半监督学习与通过互动学习相结合的新方法,通过观察场景变化学习和利用视觉一致性,从而实现对物体的操作。在两个基准测试中验证了该方法,取得了卓越的性能。
Jul, 2024
通过仅在稀疏像素位置提供标签,深度神经网络可以实现良好的语义分割性能,结合主动学习机制和高效注释策略可以大大减少标注成本,并在 CamVid,Cityscapes 和 PASCAL VOC 2012 数据集上进行了实验证明了相当可比的性能。
Apr, 2021