ICCVAug, 2019

通过概率图引导的复制粘贴增强实例分割

PDF
TL;DR提出了一种利用现有实例蒙版注释来增强训练集的简单、高效、有效的方法，通过引入随机抖动来改善 Mask R-CNN 的性能，并提出了一种基于位置概率图的方法来探索可以根据局部外观相似性放置对象的可行位置，其对实例分割的性能提高了 2.2mAP (COCO 数据集) 和 2.2mAP (Pascal VOC 数据集)。
instance segmentationdata augmentationweakly supervised learningpixel redundancylocation probability map
发现论文，激发创造
  • 基于任务的复制粘贴数据增强方法用于实例分割 - ICCV 2021 VIPriors 研讨会实例分割挑战赛技术报告

    通过使用特定于任务的 Copy-Paste 数据增广方法以及其他数据增广技术和多尺度训练，我们在 VIPriors 挑战的实例分割任务上取得了良好的性能。

    Oct, 2021

  • 简单的复制粘贴是一种强大的实例分割数据增强方法

    本论文针对计算机视觉中重要的挑战之一 —— 构建数据有效且能处理罕见对象类别的实例分割模型，研究了一种使用数据增强方法的 Copy-Paste 方法，并发现简单的随机粘贴对象机制足以提供良好的性能，并且能够与半监督学习方法相结合获得更好的结果。在 COCO 实例分割任务和 LVIS 评测中，该方法均获得了优异的表现。

    Dec, 2020

  • 点级监督实例分割

    提出了基于单点标注的弱监督实例分割方法，通过该方法，仅标注每个物体的随机 10 个点就能够达到 94% 至 98% 的全监督效果，比全物体标注的方法快 5 倍，同时提出了一种新的基于点标注的 PointRend 实例分割模型，称为 Implicit PointRend。

    Apr, 2021

  • 小目标检测的增强

    对于小目标和大目标的检测仍然存在着性能差距。为了解决这个问题，本文提出了一种通过过采样和复制粘贴小目标的数据增强方法来提高模型在小目标上的表现，实验结果表明相对于现有的先进方法，我们的方法在 MS COCO 数据集上将实例分割精度提高 9.7% ，目标检测精度提高了 7.1%。

    Feb, 2019

  • 学习分割每一物

    该研究提出了一种新的部分监督训练范式和权重转移函数，使得可以在仅有少量掩模注释的情况下，使用来自 Visual Genome 数据集的框注释和 COCO 数据集中 80 个类别的掩模注释，训练出可以检测和分割 3000 个视觉概念的 Mask R-CNN 模型，在 COCO 数据集上进行了实验评估。这是实现广泛理解视觉世界的目标实例分割模型的第一步。

    Nov, 2017

  • 通过剪切和粘贴学习分割

    本文提出了一种基于弱监督学习框架的对象实例分割方法，使用对抗训练的方法学习对象掩模，利用剪切 - 粘贴的游戏过程，通过掩模生成器和区分器的协同作用来实现分割掩模的优化，实验结果表明，该方法在不需要手工标注分割建议的情况下，可以超越现有的弱监督分割方法，并获得了 90% 的监督分割性能。

    Mar, 2018

  • 通过位置感知的复制粘贴数据增强实现遮挡下的实例分割

    采用鲁棒的数据增强技术和深度学习架构，通过提出一种新的数据增强技术、采用混合任务级联（HTC）框架和 CBNetV2 作为骨干架构以及引入 Stochastic Weight Averaging（SWA）训练策略，该论文在篮球场景中分割人体主体方面取得了显著的遮挡得分（OM）。

    Oct, 2023

  • 基于图像级监督学习的实例分割：口罩在哪里？

    本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验，相对于现有方法说明主要性能提高。

    Jul, 2019

  • BoxInst：基于 Box Annotations 的高性能实例分割

    本文提出了一种基于网格框标注的高性能方法，实现了面部实例分割，通过重新设计学习实例分割中的掩码损失函数，优化了训练过程，并在 COCO 数据集上实现了优秀的实验结果。

    Dec, 2020

  • 伪掩模增强的物体检测

    本文提出一种基于弱监督实例级别分割网络的伪真实目标掩模递归估计和自顶向下分割反馈来提高目标检测性能的方法。

    Mar, 2018