本文提出了一种基于密集检测和全局自注意力机制的新型单次全景分割网络,该网络采用参数自由的掩码构建方法,大大降低了计算复杂度,实现了高效的实时性能,并在 Cityscapes 和 COCO 基准测试上取得了很好的效果。
Dec, 2019
该论文提出了一种新型的端对端网络,能够高效地预测实例和物体分割,并引入了一种新的空间排名模块以处理预测实例之间的遮挡问题。在 COCO Panoptic 基准测试上取得了可喜的成果。
Mar, 2019
本研究提出了一种名为 Fast Panoptic Segmentation Network(FPSNet)的端到端网络,将全景任务转化为自定义的密集像素分类任务以实现像素级分类和实例识别,在 Cityscapes 和 Pascal VOC 数据集上取得了更好或类似的全景分割性能,比现有的全景分割方法更快。
Oct, 2019
Panoptic-DeepLab 采取了双重 ASPP 和双重解码器结构,实现了单次扫描的全景分割,并在 Cityscapes 和 Mapillary Vistas 数据集上取得了最新的最优结果。
本文提出了一种用于全景分割的深度神经网络,将语义分割与实例分割任务联合起来,从而在单次计算中为输入图像的每个像素提供类标签和唯一对象标识符,并且通过增强信息共享和合并启发式方法,单个网络的性能提高,如在 Cityscapes 上可获得 45.9 的 PQ 分数。
Feb, 2019
基于 RGB 图像和深度图像的全景分割的新方法;通过使用所观察场景的 3D 几何信息,减少错误合并为一个事物实例的对象数量,提高全景质量。
Mar, 2024
本文提出并研究了一项称为全景分割的任务,该任务将语义分割和实例分割两个任务统一起来,提出了新型的评估指标,并进行了全面的研究。
Jan, 2018
我们提出了一种端到端的网络,用于连接全景分割的训练和推理管道,通过使用密集实例亲和力来捕获像素对属于相同实例的概率,并与 ResNet-50 骨干网络配合使用,实现了对 Cityscapes 和 COCO 数据集的新记录。
Jan, 2020
本文提出了解决 2019 年 COCO 全景分割任务的方法,结合了实例分割和语义分割,采用多种模型和策略,获取了最佳结果 $PQ$ 47.1。
Apr, 2023
本文介绍了一种名为 Panoptic FCN 的概念简单、强大、高效的全景分割框架,该方法旨在以统一的卷积管道中表示和预测前景物体和背景杂物。通过提出的内核生成器,Panoptic FCN 将每个对象实例或杂物类别编码为特定的内核权重,并通过将高分辨率特征直接卷积来生成预测。通过这种方法,实例感知和语义一致的特性可以分别在一个简单的生成内核,然后进行分割的工作流中得以满足。在 COCO、Cityscapes 和 Mapillary Vistas 数据集上,不需要额外的定位框或实例分离,所提议的方法在单尺度输入上具有比以前的基于框和无框模型更高的效率。
Dec, 2020