Jan, 2020

UnOVOST: 无监督离线视频对象分割和跟踪

PDF
TL;DR本研究提出了一种基于轨迹分组和决策森林的算法，名为 UnOVOST，用于解决无监督的视频对象分割和跟踪问题，并在 DAVIS 2017 Unsupervised 数据集上达到了最先进性能。
unsupervised video object segmentationtrackingdecision forestdata associationperformance
发现论文，激发创造
  • 通过对比运动聚类实现在线非监督视频物体分割

    本文提出了一种基于对比学习的无监督在线视频目标分割算法，利用光流作为输入，通过聚类的方式学习物体运动信息，并采用边界先验进行对比学习以提高特征鉴别度和分割精度，该算法在多个数据集上取得了超过现有方法的精度并在效率和准确性之间达到了良好的平衡。

    Jun, 2023

  • 利用运动特性实现的无监督在线视频目标分割

    本文提出了一种新的无监督在线视频目标分割框架，通过结合运动属性以便于分割出区分明显的移动部分，并利用显著性动态检测和物体提议等研究方法设计出像素级的融合策略，实现对在不同帧之间的目标传播和运动检测的稳健性处理，最终在多个基准数据集上实现了比先前算法更高的绝对增益。

    Oct, 2018

  • 单次视频目标分割

    本文提出一种基于神经网络的半监督视频目标分割技术，能够在保证处理速度的前提下提升目标分割的效果。

    Nov, 2016

  • UVOSAM: 无需蒙版的无监督视频对象分割范式，通过任意分割模型实现

    UVOSAM 是一种新的无监督视频对象分割范例，利用 Segment Anything Model 和视频显著对象跟踪网络来生成显着前景对象的轨迹作为提示来对每一帧视频进行对象分割。实验结果显示，UVOSAM 显著优于当前基于标记方法的分割方法。

    May, 2023

  • 未标识视频对象：用于稠密、开放世界分割的基准

    本文提出了 UVO（未识别视频对象），这是一个用于视频中开放世界类无关对象分割的新基准，由于其更大，更具挑战性且可以用于目标跟踪和超像素分割等其他应用，因此可用于研究人员开发新的方法。

    Apr, 2021

  • 通过迭代选择易于参考的帧使得无监督视频目标分割更容易

    该论文提出了一种名为 Easy Frame Selector 的新方法，其可以选择更好的参考帧以提高无监督视频物体分割（UVOS）表现。作者进一步提出了一种名为 Iterative Mask Prediction 的框架，在 Davis16，FBMS 和 SegTrack-V2 三个 UVOS 基准集上实现了最先进的表现

    Dec, 2021

  • 无时序信息的视频目标分割

    该论文利用全卷积神经网络架构，基于 ImageNet 上学习的通用语义信息，结合单个对象的外观学习，实现了半监督的视频对象分割，提高了结果的精度和效率。

    Sep, 2017

  • SimulFlow：无监督视频目标分割中同时提取特征与识别目标

    本文提出了一种名为 SimulFlow 的新型无监督视频目标分割模型，它同时进行特征提取和目标识别，实现高效和有效的无监督视频目标分割，通过利用灵活的注意力机制来融合图像和运动信息，减少了计算复杂性和融合难度，并在多个基准数据集上取得了领先的性能。

    Nov, 2023

  • 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

  • UVIS: 无监督视频实例分割

    UVIS 是一种无监督视频实例分割框架，利用 DINO 模型的密集形状先验和 CLIP 模型的开放识别能力，通过帧级伪标签生成、基于 Transformer 的 VIS 模型训练和基于查询的跟踪等三个关键步骤实现，通过采用双存储器设计，包括语义存储器和跟踪存储器，以提高无监督环境下 VIS 预测的质量，在 YoutubeVIS-2019 等相应基准上取得了 21.1 AP 的结果，展示了该无监督 VIS 框架的潜力。

    Jun, 2024