Jan, 2019

基于上下文信息分离的无监督移动物体检测

PDF
TL;DR提出了一种基于对抗上下文模型的无监督学习方法，在使用深度神经网络预测图像中某个区域的光流时利用其他区域的上下文信息，并通过优化上下文信息使得变量之间自然地竞争而不需要显式的正则化或超参数调整，该方法能够在无需任何监督的情况下胜过多种预训练于大型标注数据集的方法，可看作是经典区域分割的广义推广。
发现论文，激发创造
  • 利用深度学习的光流生成移动物体候选框进行视频物体分割

    本研究提出了一种先进的神经网络结构，通过训练无监督的卷积神经网络对光流进行估计，然后将光流网络的输出渲染到完全卷积 SegNet 模型中，从而准确高效地获取运动目标提案。

    Feb, 2024

  • 预测运动的非监督视频和图像分割

    本文提出一种融合基于运动和外观的分割方法，利用预测简单运动模式区域对图像分割网络进行监督，使其具备检测和学习静止物体的能力。通过实验发现该方法不仅在无监督视频分割领域表现出色，而且能够适用于包含新颖物体的静态图像分割领域，同时还能够处理多种运动模型和光流基准的影响。

    May, 2022

  • 分离关注力：具有上下文语境的无监督多物体发现

    本文介绍了一种无监督学习方法，通过将视觉场景分割为独立运动区域并生成多模式表示，来实现多物体运动分割。该方法基于 Slot Attention 进行生成对抗网络设计，其优于最近的无监督多物体分割方法，同时速度快且不需要显式正则化。

    Apr, 2023

  • 发现可移动的物体

    本文针对对象发现这一问题，通过选择动态对象并使用自编码器提取图像特征并加入来自运动分割的弱学习信号，成功地从复杂场景中分离出运动和静止的动态对象，相较于其它抽象特征的方法在 KITTI 数据集上有更好的表现。

    Mar, 2022

  • 基于深度特征的目标检测上下文模型

    本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

    Apr, 2016

  • 低维物体运动多目标发现

    本文提出一种基于像素几何和物体运动模型的运动预测方法，通过将图像分为运动一致的区域并利用深度构建最佳匹配的流场基础来减少从单个图像重建流场的不确定性，并在场景结构和物体运动建模方面取得了最新的结果，同时对预测深度图的评估显示出可靠的单眼深度估计性能。

    Jul, 2023

  • 竞争性合作：深度、相机运动、光流和运动分割的联合无监督学习

    本篇论文提出了一种基于 Competitive Collaboration 框架的无监督学习方法，通过协同训练多个神经网络来解决低级视觉问题，包括单个视图深度预测、相机运动估计、光流和视频分割，可以同时推理场景的运动物体、物体深度和背景的光流等信息。该方法在不需要监督的情况下，实现了在所有子问题上的最先进表现。

    May, 2018

  • 光流提升无监督定位和分割

    无标注图像分割和定位是自主机器人学习将图像解析为个体对象的关键能力，本研究提出了一种新的损失函数，利用无标注视频中的光流信息辅助自我监督视觉转换器的特征优化，实现了无标注语义分割的优于现有技术的性能。

    Jul, 2023

  • MOVE: 无监督的可移动物体分割和检测

    使用自监督特征和对抗训练，提出了一种无监督目标分割方法 MOVE。该方法在多个评估数据集上实现了无监督显著对象检测和分割的 SotA 表现，单目标发现的 CorLoc 平均提高了 7.2％，无监督类别不可知的对象检测的相对 AP 平均提高了 53％。

    Oct, 2022

  • 基于光流的无约束场景实时移动物体检测

    该研究论文提出了一种基于光流的移动物体检测框架，利用单应性矩阵在线构建光流背景模型，并设计了一个双模式判断机制来提高系统对复杂场景的自适 应性，实验证明该方法优于现有的方法，具有适应不同场景的优势。

    Jul, 2018