IJCAIFeb, 2018

无标注和一次训练学习均质物体聚类的实例分割

PDF
TL;DR本文提出了一种单镜头拍摄无需人工标注的全新方法，包括学习方法、新型的求解器、光照变换方案，并建立了一个由像素级注释的同质对象簇数据集，对这一方法进行了广泛的实验和比较。
instance segmentationhomogeneous object clusterlearning approachillumination transformationdataset
发现论文，激发创造
  • 单次实例分割

    该研究提出一种名为 Siamese Mask R-CNN 的方法来解决一个新挑战性的问题 —— 一次性实例分割，通过对参考图像和场景进行编码来将检测和分割目标定向于参考类别，虽然将分割实例的知识转移到新对象类别的表现很好，但是针对参考类别进行检测的困难度更大，该研究为一次性实例分割提供了一个有力的准确率基准，并将启发更多有关更强大和灵活的场景分析算法的研究。

    Nov, 2018

  • 通过学习注释一致的实例来进行弱监督实例分割

    提出了一种基于弱监督的实例分割方法，使用条件分布来建模伪标签生成过程中的不确定性，通过联合概率学习目标来最小化两个分布之间的差异，实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2％ [email protected] 和 4.8％ [email protected] 的最新效果。

    Jul, 2020

  • 学习聚类用于无需提议的实例分割

    本研究介绍了一种新的学习目标，用于训练深度神经网络执行端对端的图像像素聚类，该方法已应用于实例分割，其结果是出色的，并且在 2017 CVPR 自动驾驶挑战的车道检测竞赛中获得第二名，而在不使用外部数据的情况下是最优表现者。

    Mar, 2018

  • 单次视频目标分割

    本文提出一种基于神经网络的半监督视频目标分割技术，能够在保证处理速度的前提下提升目标分割的效果。

    Nov, 2016

  • 联合弱监督学习语义匹配和物体共分割：展示、匹配和分割

    我们提出了一种联合匹配和分割图像集合中同一类别的对象实例的方法，这种方法利用了两个任务的互补性，通过从语义匹配得到的估计密集对应场来提供对象共分割的监督，并且从对象共分割得到的预测对象掩码来改善语义匹配的性能，我们的算法在五个基准数据集上表现优异。

    Jun, 2019

  • 视频的自监督目标中心学习

    本文提出了第一个完全无监督的方法，用于在真实场景的序列中分割多个对象，通过空间绑定对象并将这些槽联系起来，在高级语义特征空间中重建中间帧，解决了效率和规范化问题，成功地在 YouTube 视频中分割了复杂且多变的类别的多个实例。

    Oct, 2023

  • 基于条件的视频目标中心学习

    该论文提出了一种弱监督学习方法，以对象为中心的表示和光流条件模型，可提高现实数据下的实例分割和追踪效果，改进了查询模型的灵活性，并扩展了应用范围。

    Nov, 2021

  • 从静态图像学习视频对象分割

    本文介绍了一种基于深度学习的视频对象分割方法，将其作为引导实例分割的概念，通过离线和在线学习策略，使卷积神经网络能够处理多种输入注释并在多个数据集上获得具有竞争力的结果。

    Dec, 2016

  • 使用分层自监督的无监督实例分割长尾发现

    该论文提出了一种可通过学习实例嵌入提供无监督发现实例分割中长尾类别的方法，利用图像中对象之间的丰富关系和层次结构提出了自监督损失方法训练掩码嵌入，经 COCO 数据集训练，该模型能够发现比 COCO 中的常见类别更精细和新奇的对象，并在 LVIS 评估中取得了与监督和部分监督方法相竞争的结果。

    Apr, 2021

  • 野外交互式视频对象分割

    本文介绍一种基于人工交互的视频对象分割方法，使用深度学习技术进行交互式图像分割，并应用于视频对象分割中。在 GrabCut 数据集上，我们的方法以仅需 3.8 次点击的平均值获得 90％的 IOU，与当前最先进的方法相比，具有更高的准确性。此外，我们研究了用户的使用模式和提供的纠正类型等，为进一步改进交互式视频分割提供重要的见解。

    Dec, 2017