Mar, 2018

混乱环境下的一次性分割

PDF
TL;DR本文提出了一种名为 $\textit {cluttered Omniglot}$ 的新数据集并使用基线结构来解决一次性分割问题，结果表明在这种视觉搜索任务中，检测和分割是相互交织的问题，解决其中一个问题有助于解决另一个问题。为此，我们引入了 $ extit {MaskNet}$，这是一种改进的模型，它关注多个候选位置，生成分割建议来遮挡背景杂物并在分割对象中进行选择。发现这种基于对象检测和前景分割的迭代优化的图像识别模型可能提供了一种处理高度混杂场景的方法。
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

  • 有限训练数据的语义分割

    介绍了在混乱场景中进行机器人感知的方法，在 Amazon 机器人挑战赛中获得胜利。作者提出了两种策略：一种是基于深度度量学习的方法，另一种是基于全监督语义分割方法的方法，并在数据集上进行了全面分析。两种方法都有良好效果，值得进一步研究。

    Sep, 2017

  • DoUnseen：面向机器人抓取的零样本物体检测

    本研究提出了一种零样本物体检测器，适用于开放集合，且不需预先知道物体类型，可以在抓取物体前几张图像后即可加入物体作为新的类别，并通过将未见物体分割网络级联零样本分类器的方式来打破分割管道的步骤。

    Apr, 2023

  • 无标注和一次训练学习均质物体聚类的实例分割

    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。

    Feb, 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

  • 汽车雷达数据中移动物体的同时杂波检测和语义分割

    我们研究了一种新的多头神经网络架构，同时解决了雷达点云中的杂波检测和移动道路用户的语义分割问题，并通过只使用一个输出值来表示网络的预测结果，从而达到了与传统特定任务模型相同的推断时间，我们在 RadarScenes 数据集上的广泛评估中证明了我们的设置非常有效，并且在雷达场景的语义分割上优于现有的任何网络。

    Nov, 2023

  • SG-One：一种用于一阶段语义分割的相似性引导网络

    本论文提出了一种名为相似度指导网络的简单而有效的方法来解决一次性图像语义分割的问题，其利用遮罩平均池化策略先获得密集标注支持图像的引导特征，然后采用余弦相似度来建立引导特征与来自查询图像像素的特征之间的关系，并达到了 46.3％的 mIoU 分数。

    Oct, 2018

  • 使用视觉和语义嵌入的共同关注实现弱监督的少样本目标分割

    本文提出了一种基于多模态交互模块的小样本物体分割方法，该方法利用视觉和词嵌入的协同注意机制，使用图像级标签在 PASCAL-5i 数据集上实现了 4.8％ 的提高，并在 YouTube-VOS 数据集上展示了 TOSFL 实验的实例级和类别级结果。

    Jan, 2020

  • RGB-D 目标检测与语义分割用于杂乱环境中的自主操作

    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

  • 无微调一次性目标检测

    本研究中我们试图通过应对一次训练样例被限制为 1 的单独目标检测问题，丰富目标检测类别，并引入了匹配 - FCOS 网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。

    May, 2020