CVPRJun, 2019

无监督视频对象分割的关键实例选择

PDF
TL;DR本文提出了一种基于视频显着性的关键实例选择方法，涵盖了对象性和动态特性，用于非监督式视频对象分割，在多个属性如 ReID 描述符，预期轨迹和语义共分割结果等方面考虑相似性度量，并基于视频显着性和出现频率选择关键 ID 进行跟踪。这些技术贡献使得我们在 UVOS DAVIS 挑战的排行榜上排名第三。
发现论文，激发创造
  • 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

  • 通过对比运动聚类实现在线非监督视频物体分割

    本文提出了一种基于对比学习的无监督在线视频目标分割算法，利用光流作为输入，通过聚类的方式学习物体运动信息，并采用边界先验进行对比学习以提高特征鉴别度和分割精度，该算法在多个数据集上取得了超过现有方法的精度并在效率和准确性之间达到了良好的平衡。

    Jun, 2023

  • UVIS: 无监督视频实例分割

    UVIS 是一种无监督视频实例分割框架，利用 DINO 模型的密集形状先验和 CLIP 模型的开放识别能力，通过帧级伪标签生成、基于 Transformer 的 VIS 模型训练和基于查询的跟踪等三个关键步骤实现，通过采用双存储器设计，包括语义存储器和跟踪存储器，以提高无监督环境下 VIS 预测的质量，在 YoutubeVIS-2019 等相应基准上取得了 21.1 AP 的结果，展示了该无监督 VIS 框架的潜力。

    Jun, 2024

  • 通过迭代选择易于参考的帧使得无监督视频目标分割更容易

    该论文提出了一种名为 Easy Frame Selector 的新方法，其可以选择更好的参考帧以提高无监督视频物体分割（UVOS）表现。作者进一步提出了一种名为 Iterative Mask Prediction 的框架，在 Davis16，FBMS 和 SegTrack-V2 三个 UVOS 基准集上实现了最先进的表现

    Dec, 2021

  • 利用运动特性实现的无监督在线视频目标分割

    本文提出了一种新的无监督在线视频目标分割框架，通过结合运动属性以便于分割出区分明显的移动部分，并利用显著性动态检测和物体提议等研究方法设计出像素级的融合策略，实现对在不同帧之间的目标传播和运动检测的稳健性处理，最终在多个基准数据集上实现了比先前算法更高的绝对增益。

    Oct, 2018

  • 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

  • 无监督视频目标分割中的实例嵌入迁移

    提出一种用于无监督视频目标分割的方法，通过转移图像实例嵌入网络中封装的知识。通过将实例嵌入与物体性和光流特征相结合，无需模型重新训练或在线微调，即可将物体链接起来。该方法在 DAVIS 数据集和 FBMS 数据集上优于最先进的无监督分割方法。

    Jan, 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

  • 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

  • 视频目标分割的粗细视觉框架

    本研究提出了一种无监督的视频分析框架和原型系统来提取视频序列中的显著对象，其通过跟踪时间帧上的采样点，并结合 3D 空间中的超像素，将视频分为粗分割和细分割两步来实现，实验结果表明该方法在准确性和鲁棒性方面优于之前的方法。

    Sep, 2018