CVPRFeb, 2018

网络调制实现高效视频目标分割

PDF
TL;DR本研究提出一种利用单次前向传播的方法，通过在有限的目标对象视觉和空间信息下，学习操纵分割网络的中间层的元神经网络，从而实现针对特定对象指定出现的分割模型，相对于 fine-tuning 方法更加高效，并且达到了相似的分割准确率
video object segmentationdeep learningmeta neural networkmodulatorsegmentation accuracy
发现论文，激发创造
  • 一种用于端到端视频物体分割的生成式外观模型

    通过引入外貌模块来学习目标和背景外观的概率生成模型，提高了视频对象分割网络的性能，并实现了全端到端的训练。

    Nov, 2018

  • 基于空间语义网络调制的深层物体共分割

    本文提出了一个空间和语义调制的深度网络框架，用于共同分割多个相关图像中的共享对象。该模型通过使用骨干网络提取多分辨率的图像特征，并通过非监督学习捕获图像特征描述符之间的相关性。使用监督图像分类任务来模拟语义调制器，并使用层次二次池化模块转换图像特征，以集中于共同对象区域的分割。结果表明，该模型在四个图像共分割基准数据集上的表现优于现有的最先进方法。

    Nov, 2019

  • 学习视频目标分割的快速和稳健的目标模型

    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

  • 基于匹配的视频对象分割：VideoMatch

    该研究提出了一种基于匹配的视频目标分割算法，在不需要 fine-tuning 的情况下实现了实时性和较短的计算时间。

    Sep, 2018

  • 基于元学习的深度视觉词语快速视频对象分割

    通过使用聚类，元学习和嵌入式空间中的视觉单词等技术，我们开发了一种快速，因果算法，可在单个前向传递中分割可变数量的对象，并在四个视频分割数据集上实现了最新的速度 / 精度折衷，在不需要调优，附加输入或后处理的情况下。

    Dec, 2018

  • 快速准确的在线视频目标分割：通过追踪部位

    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

  • ReConvNet: 带有时空特征调制的视频对象分割

    ReConvNet 是一种循环卷积架构，用于半监督视频对象分割，能够快速适应其特征以聚焦于感兴趣的任何特定对象。通过条件仿射变换学习自适应于感兴趣的对象的时空特征的方法，不需要额外的推断时间内的训练步骤，且在 DAVIS2016 上表现出有竞争力的结果。

    Jun, 2018

  • 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

  • 基于子模块的语义物体分割视频对象候选选择

    通过学习数据驱动的时空语义表示，提出了一种实现语义视频目标分割的方法，通过捕捉连续帧中多个实例之间的协同作用，并选择具有区分性和代表性的子集来剪枝嘈杂的检测，从而解决设施定位问题，实现了更长时间的上下文依赖，进而实现了鲁棒的语义视频目标分割算法，通过在具有挑战性的数据集上进行广泛实验，证明了我们方法相比最先进方法的卓越性能。

    Jul, 2024

  • 卷积神经网络在线自适应视频目标分割

    本文介绍了一种半监督视频目标分割方法，它使用了基于一阶段学习的预训练神经网络，结合在线训练和预训练步骤，显著提高了在 DAVIS 数据集上的分割性能。

    Jun, 2017