SG-One:一种用于一阶段语义分割的相似性引导网络
本文介绍了一种基于Multi-task Network Cascades的实例感知语义分割模型,该模型包含三个网络,分别用于区分实例、估算掩模和分类物体。该方法在PASCAL VOC数据集上达到了最先进的实例感知语义分割准确度,并且速度比之前的系统快两个数量级。
Dec, 2015
研究在稀缺数据的支持下,将少样本学习方法拓展到密集语义图像分割中,通过训练网络,产生 Fully Convolutional Network 参数来执行稀缺数据学习。与 PASCAL VOC 2012 数据集中最佳基线方法相比,我们的架构在新语义类的单次分段中展示了相对 25% 的 meanIoU 改进,并且速度至少快 3 倍。
Sep, 2017
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
本文提出了一种基于像素对亲和力金字塔的单次无需提案的实例分割方法,该方法可同时学习语义类别标签和像素亲和力,并结合新型级联图分割模块和像素聚类技术,在Cityscapes数据集中实现了最先进的结果。
Sep, 2019
本论文提出一种简单的单级实例分割框架,即基于掩码编码的实例分割(MEInst),通过将二维掩码提炼成紧凑且固定维度的表征向量,使得实例分割任务能够被纳入单级边界框检测器中,从而实现了一种简单而高效的实例分割方法,取得了36.4%的掩码AP,在MS-COCO基准测试中取得了竞争性的性能。
Mar, 2020
该论文提出了一种针对少样本实例分割的全向导网络,该网络采用支持集编码并指导Mask R-CNN的预测,采用不同的引导机制以充分利用支持集中的引导效果,并在公共数据集上取得了最先进的性能。
Mar, 2020
本文提出了一种新型的一阶空间粒度网络(SG-Net)来应对视频实例分割任务,相较于传统两步骤方法,其具有更加紧凑的构架以及更好的运行时间复杂度表现,同时在精度上也表现出了更好的性能。
Mar, 2021
使用Segment Anything (SAM)集成Multiple Instance Learning (MIL)的Semantic-Aware Instance Segmentation Network (SAPNet)有助于解决弱监督分割中'group'和'local'问题,提高语义匹配能力和基于点提示的实例分割性能。
Dec, 2023
本文通过精细调整预训练的深度分割网络的分类层,提出了一种适应少样本分割任务的改进方法,该方法引入了基于实例感知的数据增强策略和局部一致性引导的交叉注意力机制,通过增加支持集的多样性和改善查询与支持图像之间的一致性,显著提高了标准少样本分割基准数据集PASCAL-$5^i$和COCO-$20^i$上的性能。
Jan, 2024
提出了一种名为Group-On的新方法,用于单次语义分割,将多个查询图像分为批次以达到同一类别内的相互知识支持的目的,并在标准基准测试中表现显著优于现有方法。
Apr, 2024