基于实例级分割和特征表示的实例检索
该论文提出了一种简单而有效的实例级特征表示法,解决了类非特定实例定位和独特特征表示的问题,并通过平均池化检测到的实例区域上的特征图来产生独特特征表示,进而提高了实例搜索和基于内容的图像搜索的性能。
Feb, 2020
本文探讨了使用来自目标检测卷积神经网络的图像和区域表示进行实例检索的适用性,并考虑在相同目标上对 Faster R-CNN 进行微调的适用性,通过首次筛选和空间重新排序构建实例搜索流水线,该方法在 Oxford Buildings 5k、Paris Buildings 6k 和 Trento Visual Search 2013 的子集上获得了竞争性的结果。
Apr, 2016
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
本文提出了一种新颖的面向实例的方法,用于 3D 语义分割,通过结合几个在实例级别监督的几何处理任务来促进学习到的特征表示的一致性,具体方法使用形状生成器和形状分类器来执行每个形状实例的形状重建和分类任务,从而使特征表示能够忠实地编码结构和局部形状信息,并意识到形状实例。在实验中,我们的方法在多个公共基准数据集(如 Waymo Open Dataset、SemanticKITTI 和 ScanNetV2)上明显优于现有的 3D 语义分割方法。
Nov, 2023
该研究提出了一种基于循环神经网络的端到端方法,通过顺序地查找每个不同的目标对象及其分割来解决实例分割的问题,并通过空间记忆来跟踪已解释的像素,以处理遮挡,这种方法优于当前所有最先进的方法。
Nov, 2015
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
本文提出了一种基于语义分割和实例中心预测的方法,进一步利用形状语义学和部件实例之间的内在关系,同时利用多个层次的特征融合以及语义区域中心预测任务来提高实例点的聚类性能,该方法在 PartNet 基准测试中表现优异。
Aug, 2022
本篇论文介绍了如何通过使用深度卷积神经网络,建立图像中的显著性实例分割方法,通过一个多尺度显著实例分割网络生成高质量的显著性分割结果,并在公共基准测试中取得了最优的结果。
Apr, 2017
本研究提出了一种基于循环神经网络加注意机制的端到端模型,可以进行场景中物品实例的细节分割,并在 CVPPP、KITTI 和 Cityscapes 数据集上获得了竞争性的结果。
May, 2016
本文提出了一种基于 Point-of-Interest 特征的实例分割方法,将面具表示学习任务分解为实例感知权重和实例不可知特征两个可处理的模块。在 RetinaNet 和 FCOS 基础上建立的 PointINS,在 COCO 数据集上实现了 38.3 的面具平均精度(mAP),并且比现有的基于点的方法具有更高的性能。
Mar, 2020