ECCVJul, 2018

用于实例分割的半卷积算子

PDF
TL;DR本文研究目标检测和实例分割问题，提出了一种基于像素级别标签的解决方案，证明了构造可以分离对象实例的密集像素嵌入不易使用卷积运算实现，但也表明了简单的修改可以更好地解决该问题。我们将其与 Hough 投票和双边核的变体相关联，并演示了这些运算符可以用于改进 Mask RCNN 等方法。
发现论文，激发创造
  • 从图像级别到像素级别的卷积网络标注

    本研究提出了一种基于卷积神经网络的模型，只利用物体类别信息，通过最小化对目标分割任务的先验仅推断目标分割。我们展示了该模型在相对于弱监督物体分割任务中领先于业界最先进的方法。

    Nov, 2014

  • 动态实例化网络的像素级实例分割

    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

  • 跨越类别级别和实例级别的语义图像分割

    通过语义类别分割为基础，使用一种深度卷积回归网络来预测像素级的实例边界框，以实现语义实例分割，同时在训练过程中采用在线引导方法来进一步提高语义类别分割和实例级分割的效果，以最终在 PASCAL VOC 2012 数据集上取得最佳结果。

    May, 2016

  • 基于区域的语义分割与端到端训练

    本文提出一种新的语义分割方法，该方法基于区域分类方法和全卷积方法相结合，能够实现端到端的培训。与目前现有的算法相比，该方法在语义分类的平均准确性方面提高了成绩，在 SIFT Flow 和 PASCAL Context 上达到了 64.0% 和 49.9% 的成绩，并且在物体边界方面特别准确。

    Jul, 2016

  • 使用标注转换进行无目标检测的实例分割

    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

  • 对比物体掩码提案的无监督语义分割

    本文旨在通过采用对比优化目标中的预定中级先验，引入了一个两步框架来学习像素嵌入，从而解决了计算机视觉中的无监督语义表示学习问题，并证明此方法优于现有方法。

    Feb, 2021

  • 学习密集卷积嵌入用于语义分割

    本文提出了基于像素 embeddings 的深层卷积神经网络，利用嵌入学习像素之间的距离来推断像素是否属于同一区域，并证明其与 DCNN 结合使用可以显著提高每个像素分类的准确性。

    Nov, 2015

  • 学习聚类用于无需提议的实例分割

    本研究介绍了一种新的学习目标，用于训练深度神经网络执行端对端的图像像素聚类，该方法已应用于实例分割，其结果是出色的，并且在 2017 CVPR 自动驾驶挑战的车道检测竞赛中获得第二名，而在不使用外部数据的情况下是最优表现者。

    Mar, 2018

  • 基于图像级监督学习的实例分割：口罩在哪里？

    本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验，相对于现有方法说明主要性能提高。

    Jul, 2019

  • SOLO: 基于位置的物体分割

    提出了一种新的、非常简单的实例分割方法，通过引入 “实例类别” 概念，将实例掩码分割转化为可分类问题。实验结果表明，该方法具有较强的性能和简单的框架，可以作为许多实例级别识别任务的基准。

    Dec, 2019