本文提出了一种新的交互式架构和训练方案,旨在更好地利用用户工作流,并展示出引入专门设计用于复杂对象边界的合成训练数据集可以进一步获得显着的改进,该网络达到了最先进性能。
Mar, 2020
本文提出了一种利用卷积神经网络进行互动分割编辑的独特训练策略,并通过与现有算法的比较表明其具有卓越的性能,且不仅限于二元分割,可用于形态测量以及效率的提升。
Jul, 2018
本文介绍了一种基于前向传递的点击交互式分割模型,无需额外的优化技巧即可实现最新的最佳结果,并且对于性能的分析表明,使用 COCO 和 LVIS 的训练数据集所训练的模型表现最佳。
Feb, 2021
本研究介绍一种新颖的基于深度学习的算法来解决交互式物体选择的问题,该算法可以将用户提供的正负反馈转换成欧几里得距离图,并与图像的 RGB 通道拼接,采用多种随机采样策略生成图像和用户交互对,通过 Fine-tune 深度反卷积网络,最终结果融合图像概率图和图切割优化,实现对物体边界的精细提取。实验结果表明,该算法具有较好的泛化能力,优于所有现有的交互式物体选择方法。
Mar, 2016
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
通过对交互式分割模型的实际用户研究,发现常规评估策略的直观假设可能无法成立,因此建议采用直接优化的白盒对抗攻击方法来评估交互式分割模型的鲁棒性,并引入了一种新的鲁棒性度量标准和多个模型的广泛评估结果。
Feb, 2024
本研究提出了一种新的计算机视觉交互系统的评估和学习方法,利用一个主动机器人用户 —— 一个人类用户的模拟模型,将用户参与到系统训练过程中,以此来评估和学习交互分割系统的参数,同时提出了一种在优化问题中整合模拟用户模型的方法。
Dec, 2009
本文提出了一种基于用户纠错信息的 object segmentation 方法,使用卷积神经网络进行模型训练,并实现了在测试时动态更新模型参数以适应数据的特点,从而在 8 个不同数据集上得到了较为优异的实验结果。
Nov, 2019
本文提出一个名为 PseudoClick 的框架,使得现有的分割网络能够提出候选的下一步点击,从而进一步减少用户交互成本,该框架的目标是通过最少的用户点击来获得精确的对象分割掩码。
Jul, 2022
本文提出一个新的基于深度学习的交互分割框架,该框架将卷积神经网络(CNN)引入到边界框和涂鸦分割管道中,并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能,实验结果表明我们的方法比现有的 CNN 方法更鲁棒,并能够在更少的用户交互和更短的时间内获得准确的分割结果。
Oct, 2017