ICCVAug, 2019

遮挡共享和特征分离网络用于遮挡关系推理

PDF
TL;DR我们提出了一种基于卷积神经网络的 Occlusion-shared and Feature-separated Network (OFNet) 来进行物体分割的任务，在理解和处理欠遮挡和遮挡物体的关系方面，该网络在 PIOD 和 BSDS ownership 数据集上取得了显著的性能优势。
object segmentationocclusion reasoningconvolutional neural network
发现论文，激发创造
  • MT-ORL: 多任务遮挡关系学习

    本文提出了一种名为 OPNet 的新架构，通过利用共享高层特征中的丰富遮挡线索和任务特定低层特征中的结构空间信息来解决现有工作中存在的两个关键问题，即缺乏可以利用两个子任务之间有限的耦合的解码器架构，以及不适当的遮挡方向表示。

    Aug, 2021

  • 基于双层网络结构的遮挡感知实例分割

    通过 Bilayer 卷积网络和视觉 Transformer 对遮挡的目标进行建模，以同时检测遮挡物和部分遮挡实例，并使用遮挡物和遮挡实例查询将遮挡关系分离，从而实现图像实例分割。

    Aug, 2022

  • 从一张图像中深度估计遮挡

    本文提出了一种名为 DOC 的深度网络架构，它能在单个图像上检测物体边界并估计边界所有权，可用于恢复遮挡关系，并通过大规模实例遮挡边界数据集 PIOD 进行了验证。

    Nov, 2015

  • 目标边界引导的语义分割

    本文介绍了一种名为 OBG-FCN 的全卷积神经网络，它能够利用物体边界信息以完成更为精细的语义分割，其在 PASCAL VOC 分割基准测试上得到了显著的优化。

    Mar, 2016

  • DOOBNet：图像深度目标遮挡边界检测

    本文提出了一种 Attention Loss 函数结合多任务深度对象遮挡边界检测网络，并采用编码器 - 解码器结构，通过共享卷积特征来同时预测对象边界和遮挡方向，大幅度提高了 PIOD 数据集和 BSDS 拥有数据集上的检测速度（每图像 0.037s）并显著超过了之前的最优结果（ODS F 分数分别为 0.702 和 0.555）。

    Jun, 2018

  • SOSD-Net: 单目图像联合语义物体分割和深度估计

    通过引入语义物体性概念分析成像过程，本文提出了一种基于物体性假设的语义物体分割和深度估计网络（SOSD-Net），并采用期望最大化算法的迭代思想更有效地训练该网络，实验结果表明该方法具有卓越的性能。

    Jan, 2021

  • 关于多对象遮挡的鲁棒实例分割推理

    本研究提出了一种采用深度神经网络进行多对象实例分割的方法，该方法能够通过 bounding box 监督训练，具有鲁棒性并能处理复杂场景中的遮挡问题，从而提高图像分类精度。

    Dec, 2020

  • 基于配对差分同步网络掩码学习的遮挡鲁棒人脸识别

    提出了一种基于掩膜学习的策略来提高面部识别性能，通过深度卷积神经网络中的特征去除来解决部分区域遮挡的问题，并在 SYNTHIA-FACE 和 RAISE-AF 数据集上进行了综合实验，表明该方法明显优于现有技术。

    Aug, 2019

  • AGO-Net：基于关联引导的 3D 点云物体检测网络

    通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

    Aug, 2022

  • Occ²Net: 基于三维占空比估计的鲁棒图像匹配算法应用于遮挡区域

    本文提出 Occ$^2$Net，一种新颖的图像匹配方法，利用 3D 占用来建模遮挡关系，并推断出遮挡区域中的匹配点。通过在 Occupancy Estimation (OE) 模块中编码归纳偏差，简化了多视图一致的 3D 表示的引导启动，以便从多个视图中集成信息。结合 Occlusion-Aware (OA) 模块，它使用注意层和旋转对齐实现遮挡点和可见点之间的匹配，经过在真实和模拟数据集上的评估，展示了该方法在多个指标上的卓越性能，特别是在遮挡场景中。

    Aug, 2023