Nov, 2018

基于 Tukey 的视频目标分割

PDF
TL;DR本文研究了严格无监督视频对象分割的问题，利用一种 John Tukey 启发式的 ' 异常度量 ' 方法从低级别的视觉数据中找到前景对象以及估计每个数据来源的可靠性。在各种视频特性变化的情况下，该方法取得了在 DAVIS 数据集上的最先进结果，并使用 Tukey-inspired 的方法对多种分割方法进行联合，其中包括使用训练，运行时或两者的监督的分割方法，这种方法相对更加稳健，将分割方法的 Jaccard 度量提高了高达 28％。
unsupervised video object segmentationlow-level vision dataoutlierness measurereliable data source estimationsegmentation method combination
发现论文，激发创造
  • 有效选择高概率正特征实现视频中的无监督物体分割

    本文提出了一种有效的无监督方法，基于高可能的正面特征的自动选择和学习，生成前景对象软分割遮罩

    Apr, 2017

  • 利用动态显著性引导的时空传播进行无监督视频目标分割

    本文提出了基于光流和边缘线索的新型显着性估计技术和新型邻域图，用于解决快速运动，运动模糊和遮挡等视频分割的挑战，在 DAVIS，SegTrack v2 和 FBMS-59 数据集中取得了超越深度学习方法的最新成果。

    Sep, 2018

  • 无时序信息的视频目标分割

    该论文利用全卷积神经网络架构，基于 ImageNet 上学习的通用语义信息，结合单个对象的外观学习，实现了半监督的视频对象分割，提高了结果的精度和效率。

    Sep, 2017

  • UnOVOST: 无监督离线视频对象分割和跟踪

    本研究提出了一种基于轨迹分组和决策森林的算法，名为 UnOVOST，用于解决无监督的视频对象分割和跟踪问题，并在 DAVIS 2017 Unsupervised 数据集上达到了最先进性能。

    Jan, 2020

  • 野外交互式视频对象分割

    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

  • 通过运动分组的自监督视频目标分割

    本研究介绍了一种基于运动线索的分割方法，使用 Transformer 网络结构，采用自我监督的方法进行训练，结果在公共基准测试中表现优异，证明在现有视频分割模型中，对于运动线索的重要性，以及对视觉外观存在潜在偏差的可能性。

    Apr, 2021

  • 2018 年 DAVIS 视频目标分割挑战赛

    2018 年的 DAVIS 挑战赛主要包括视频对象分割的任务，比赛使用 DAVIS 2017 数据集，增加了 100 个多对象序列视频，添加了交互式分割 Teaser 赛道。

    Mar, 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

  • FODVid: 视频中的流引导物体发现

    我们在视频中对象的分割问题上提出了一种新的管道（FODVid），它基于使用流引导图割和时间一致性的思想来引导分割输出，通过设计一个融合了帧内外观和流相似性以及帧间对象时间持续性的分割模型，我们的方法在无监督的视频对象分割中取得了与现有顶级方法相当的结果（在 mIoU 范围内相差约 2 个单位），我们技术的简单性和效果为视频领域的研究开辟了新的研究途径。

    Jul, 2023

  • 实际单图像非监督目标分割的基准测试和分析

    研究旨在系统研究现有无监督模型在具有挑战性的真实世界图像上的有效性，发现现有无监督模型在真实世界图像中很难分割普通物体，因为现有模型所引入的归纳偏差难以捕捉不同目标的分布。未来的工作应该在网络设计中更充分地利用显式的目标偏差。

    Dec, 2023