ECCVNov, 2019

通过从修正中学习实现交互式对象分割的连续适应

PDF
TL;DR本文提出了一种基于用户纠错信息的 object segmentation 方法，使用卷积神经网络进行模型训练，并实现了在测试时动态更新模型参数以适应数据的特点，从而在 8 个不同数据集上得到了较为优异的实验结果。
interactive object segmentationconvolutional neural networkson-the-fly learningdomain adaptationcomputer vision
发现论文，激发创造
  • 交互式分割达到 99% 精度

    本文提出了一种新的交互式架构和训练方案，旨在更好地利用用户工作流，并展示出引入专门设计用于复杂对象边界的合成训练数据集可以进一步获得显着的改进，该网络达到了最先进性能。

    Mar, 2020

  • 迭代训练的交互分割

    本研究提出一种基于迭代式训练策略的交互式对象分割系统，利用用户输入的 clicks 作为卷积网络的输入，相较于现有的启发式 click 采样策略，本方法取得了更优的分割结果。

    May, 2018

  • 卷积神经网络在线自适应视频目标分割

    本文介绍了一种半监督视频目标分割方法，它使用了基于一阶段学习的预训练神经网络，结合在线训练和预训练步骤，显著提高了在 DAVIS 数据集上的分割性能。

    Jun, 2017

  • 用于分割编辑网络的迭代交互式训练

    本文提出了一种利用卷积神经网络进行互动分割编辑的独特训练策略，并通过与现有算法的比较表明其具有卓越的性能，且不仅限于二元分割，可用于形态测量以及效率的提升。

    Jul, 2018

  • 使用深度学习进行交互式医学图像分割，并采用特定于图像的微调方法

    本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

    Oct, 2017

  • 学习交互式分割系统

    本研究提出了一种新的计算机视觉交互系统的评估和学习方法，利用一个主动机器人用户 —— 一个人类用户的模拟模型，将用户参与到系统训练过程中，以此来评估和学习交互分割系统的参数，同时提出了一种在优化问题中整合模拟用户模型的方法。

    Dec, 2009

  • 通过交互学习实例分割

    本研究提出了一种利用自我监督方式以及与环境互动的方法，建立一个学习将视觉观察分割成不同对象的主动代理。通过对 50,000 次以上与物体交互的学习，该代理的分割模型能够推广到新的物体和背景，并通过提供视频、代码以及与机器人的互动数据集来测试所学分割模型的效用。

    Jun, 2018

  • 野外交互式视频对象分割

    本文介绍一种基于人工交互的视频对象分割方法，使用深度学习技术进行交互式图像分割，并应用于视频对象分割中。在 GrabCut 数据集上，我们的方法以仅需 3.8 次点击的平均值获得 90％的 IOU，与当前最先进的方法相比，具有更高的准确性。此外，我们研究了用户的使用模式和提供的纠正类型等，为进一步改进交互式视频分割提供重要的见解。

    Dec, 2017

  • 基于自适应早期学习校正的带噪声标注分割技术

    本文研究了在存在噪声标注的情况下深度学习在分割任务中的学习动态，并发现网络在学习之初会优先适应清晰的像素级别标签，然后才会记忆错误的标注。针对这一现象，本文提出一种新的从噪声标注中进行分割的方法，利用两个关键元素：单独检测每个类别的记忆化阶段，以便自适应地纠正噪声注释，并增加一个正则化项以提高鲁棒性。该方法在医学成像分割任务中的性能优于标准方法，具有在 PASCAL VOC 2012 上实现最新的弱监督语义分割的噪声注释的鲁棒性。

    Oct, 2021

  • 无需训练的鲁棒交互式视频目标分割

    我们提出了一种无需训练的提示跟踪框架，将稀疏点和框跟踪相结合，采用交叉循环时空模块从多次交互中自适应地聚合引用信息，实现了在流行的 VOS 数据集上稳定的零样本视频分割结果，保持了性能和交互时间之间的良好权衡。

    Jun, 2024