全景分割
这篇论文提出了一种弱监督的模型,能够同时执行语义分割和实例分割任务,并使用图像级别标签弱监督“stuff”类别的分割,以及使用边界框弱监督“thing”类别的分割。通过分析注释质量和预测性能之间的关系,可以对数据集的创建有所启示。
Aug, 2018
提出了一种用于全景分割的单一网络方法,该方法将联合训练的语义分割和实例分割网络的预测结果结合起来使用启发式方法,通过对ResNet-50特征提取器的共享来加快训练速度并提高内存效率,并使用Mask R-CNN类型的架构进行实例分割和增加Pyramid Pooling模块进行语义分割。在COCO和Mapillary联合识别挑战赛2018中,我们的方法在Mapillary Vistas验证集上获得了17.6的PQ分数,在COCO测试开发集上获得了27.2的PQ分数。
Sep, 2018
本文提出了一种名为OCFusion的轻量级方法来解决Panoptic分割中目标实例之间的重叠问题,该方法通过二元关联建模来实现物体实例的非重叠分割。该方法利用现有数据集注释自动推导出的真实关联进行训练,在COCO数据集上表现出最先进的效果,并在Cityscapes panoptic分割基准测试中展示了竞争力的结果。
Jun, 2019
Panoptic-DeepLab 采取了双重ASPP和双重解码器结构,实现了单次扫描的全景分割,并在Cityscapes和Mapillary Vistas数据集上取得了最新的最优结果。
Oct, 2019
本文提出了一种名为Video Panoptic Segmentation的新型视觉识别任务,同时提出了两个视频全景数据集,以及一种VPSNet网络,在VPQ度量下,在Cityscapes-VPS和VIPER数据集上实现了最先进的结果。
Jun, 2020
本研究提出了Part-aware Panoptic Segmentation(PPS)这个新的场景理解任务,旨在多层次把场景理解和部件理解统一起来,并提出了一种新的评估指标,即Part-aware Panoptic Quality(PartPQ),通过在两个常用数据集上进行一致的注释,比较了现有的几种方法在该任务上的表现,实验结果证实了任务的有效性及多层次抽象的重要性。
Jun, 2021
该研究提出了一种名为 Panoptic-PartFormer 的端到端统一框架,结合了全景与部件分割这两个任务,并在此基础上提出了一种新的衡量标准 Part-Whole Quality,同时引入了一种掩膜交叉注意力机制以进一步提高部分分割质量。
Jan, 2023