Sep, 2019

DMM-Net: 可微分的掩模匹配网络用于视频物体分割

HTML
PDF
TL;DR本文提出了可微的掩膜匹配网络(DMM-Net)，用于解决视频目标分割问题，其基于Mask R-CNN骨干网络，通过将目标模板和帧中提取的掩膜候选匹配，提出了一种解决线性分配问题的算法，在保证收敛至最优时进行反向传播以学习成本矩阵，最后使用精化头部网络改善匹配掩膜的质量，并通过在YouTube-VOS数据集上创造有竞争力的结果来证明其有效性。
发现论文，激发创造
  • 使用卷积神经网络进行视频对象分割的像素级别匹配

    本文提出了基于CNN的视频对象分割算法，采用像素级匹配来区分目标区域和背景。提出了特征压缩技术，对大数据集进行实验，证明了模型在准确性、速度和稳定性方面的有效性，同时也介绍了模型在不同领域的可传递性。

    Aug, 2017

  • MaskRNN：实例级视频对象分割

    本文提出了一种名为MaskRNN的递归神经网络方法，它在每帧中利用两个深度成像网络输出（二元分割网络和定位网络）进行目标实例的视频对象分割以获取长时序结构和剔除异常值，结果在DAVIS-2016、DAVIS-2017和Segtrack v2数据集中均达到了最优表现。

    Mar, 2018

  • 基于匹配的视频对象分割：VideoMatch

    该研究提出了一种基于匹配的视频目标分割算法，在不需要 fine-tuning 的情况下实现了实时性和较短的计算时间。

    Sep, 2018

  • 基于 CRF 的学习鉴别性特征方法用于非监督视频对象分割

    本文提出了一种名为 DFNet 的新型网络，用于解决无监督视频物体分割任务，通过提取刻画全局特征分布的判别性特征，使用条件随机场(CRF)建立与测试图像的特征对应关系，并在像素级别上进行一致性约束。实验结果表明，该方法在使用更少的参数和更高效的推断性能的情况下，获得了优于当前最先进方法的83.4%的平均IoU分数，并在DAVIS-2016排行榜上排名第一。DFNet进一步应用于图像对象协同分割任务，并在具有挑战性的数据集PASCAL-VOC上展示出其广泛适用性。

    Aug, 2020

  • 视频对象分割的时空图神经网络基于遮罩重建

    该研究提出了一种新型的时空图神经网络（STG-Net）方法，它通过利用所有Object Proposals并捕捉它们之间的关联来更精确地重建视频对象分割的遮罩，并通过滑动窗口方法以及记忆模型来捕捉时态相关信息。该方法在四个大型数据集上实现了最新的表现，并展示了其有效性。

    Dec, 2020

  • 视频目标分割的快速像素匹配

    本文提出了一种名为NPMCA-net的模型，它结合了mask-propagation和非局部技术，直接定位前景物体，既能处理大的物体外观变化，也能更好地适应遮挡，实验结果表明，该方法在速度和性能方面都达到了新的最高水平。

    Jul, 2021

  • D^2Conv3D: 在视频中进行物体分割的动态空洞卷积

    本文提出了一种新的卷积方法：Dynamic Dilated Convolutions (D^2Conv3D)，并经过实验证明它可以作为标准卷积的替代方法，用于提高 3D CNN 架构的性能，从而提高视频分割相关基准任务的表现，进一步表明该方法优于现有扩展的 3D 卷积方法，最终在 DAVIS 2016 无监督视频物体分割基准测试中实现了新的最佳成绩。

    Nov, 2021

  • 自监督视频分割的统一掩模嵌入和对应关系学习

    通过开发一个统一的框架，其中同时建模跨帧密集对应以进行本地区分特征学习并嵌入对象级上下文进行目标掩码解码，从而使得能够直接从未标记的视频中学习执行基于掩码的连续分割，而不是依赖于基于像素的关联的廉价“复制”标签的非直接方法。

    Mar, 2023

  • 通过时空对应学习提升视频物体分割

    本研究提出了一种基于对空间-时间对应匹配的显式监督学习的视频物体分割方法，该方法可以在不增加额外训练成本、没有速度延迟和不需要架构修改的情况下提高目前最先进的匹配式VOS方法的性能。

    Apr, 2023

  • 视频物体分割的鲁棒高效记忆网络

    该研究提出REMN，一种稳健高效的记忆网络，用于半监督视频物体分割，通过引入本地注意机制和动态记忆库，解决了非局部匹配和高时间冗余的问题，实验表明REMN在DAVIS 2017和YouTube-VOS 2018上均取得最新的成果，具有较高的推理速度和相对较少的计算资源。

    Apr, 2023