学习聚类用于无需提议的实例分割
本文提出了一个像素级聚类框架,用于将图像分割成区域,而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割,以实现准确的无监督分割。此外,我们提出了一种训练策略,利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法,以避免由基于超像素的损失引起的过分分割。最后,我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验,我们证明了所提框架的有效性。实验结果表明,所提框架优于先前的最先进方法。
Oct, 2023
本文提出了一种利用全卷积神经网络直接预测实例标签的方法,并将分割问题作为最小化优化函数的变分松弛问题来处理,并扩展了经典的 Mumford-Shah 变分分割问题以处理实例分割中的置换不变标签,实验证明此方法能有效地解决实例分割任务。
Jul, 2020
本文提出了一个 Proposal-Free Network (PFN),通过基于像素到像素的深度卷积神经网络实现不需要候选区域的实例级对象分割,并结合聚类方法,取得了显著的实例级对象分割表现,与最先进的算法相比在 PASCAL VOC 2012 上的 $AP^r$ over 20 类在 0.5 交并比下从 43.8%增加到 58.7%。
Sep, 2015
本文探讨了实例分割中的特殊问题 —— 商空间,提出了三种新方法来解决此问题,包括像素亲和映射、超像素亲和学习和基于边界的分量分割,使用完全卷积神经网络模型,达到了竞争性的结果,并且具有透明度和简单性的优点。
Nov, 2016
该论文提出了一种基于语义分割的实例分割系统,利用 CRF 预测具有对象类和实例标签的分割地图,从而提高难度较大的像素级别分割精度,使像素不能属于多个实例,并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。
Apr, 2017
本文进行了实例感知语义分割的研究,提出了一种利用全卷积网络的方法预测语义标签、深度和基于实例的编码,并通过低层次计算机视觉技术在 KITTI 和 Cityscapes 街景数据集上生成最先进的实例分割,该方法在性能上超过了现有的工作,并可以额外预测单个实例与单眼图像的绝对距离以及像素级语义标签。
Apr, 2016
本文提出了一种新的实例分割到语义分割的简单归约方法,使用彩色分配和卷积神经网络进行训练和测试,试验结果表明该方法在解决自动驾驶、植物表型学和高通量显微镜图像分析等领域的实例分割任务方面具有较高的有效性。
Jul, 2018
采用完全可区分的无监督深度聚类方法,仅使用未标记的对象提议,无需个体分类标签来学习语义类,建立特征表示并同时学习聚类。目前该方法仅提供分割对象性掩膜的监督,但该方法可扩展为使用无监督的目标性生成机制,从而使该方法完全无监督。
Jan, 2018
本文提出了一种端到端的学习框架,其中使用深度卷积网络实现了将前景 / 背景标签分配给所有像素的结构化预测,在无需看到训练期间未曾见过的物体类别的情况下生成了像素级的前景对象分割,并在 ImageNet 和 MIT ObjectDiscovery 数据集上显著改善了前景分割的最新技术成果。我们最后展示了该方法如何使图像检索和图像重排具备更好的应用前景图。
Jan, 2017
本文提出利用判别式损失函数的像素级卷积神经网络来实现简单的图像实例分割,不需要借助物体提议或循环机制,仅仅通过一个后处理步骤即可完成聚类,简单有效且具有竞争性。
Aug, 2017