像素共识投票用于全景分割

CVPRApr, 2020

Pixel Consensus Voting for Panoptic Segmentation

Haochen Wang, Ruotian Luo, Michael Maire, Greg Shakhnarovich

TL;DR本研究提出了基于像素共识投票的实例分割框架，使用广义霍夫变换实现像素投票，利用卷积神经网络实现投票聚合和反向投影，将实例检测改为像素级别的投票共识，实现有效率和统一建模的实例和语义分割的网络结构，最终在 COCO 和 Cityscapes Panoptic Segmentation 数据集上取得优异成果，并将开源代码。

Abstract

The core of our approach, pixel consensus voting, is a framework for instance segmentation based on the generalized hough transform. Pixels cast discretized, probabilistic votes for the likely regions that contai

instance segmentation pixel consensus voting generalized hough transform convolutional neural network panoptic segmentation

发现论文，激发创造

图像和视频全景分割的通用框架

本研究利用基于模拟比特的扩散模型来解决全景分割任务中高维的一对多映射，通过添加过去的预测作为信息输入，能够对视频中的对象实例进行跟踪并自动学习，在各项实验中与现有的专业方法相比表现出了竞争性。

Oct, 2022

学习聚类用于无需提议的实例分割

本研究介绍了一种新的学习目标，用于训练深度神经网络执行端对端的图像像素聚类，该方法已应用于实例分割，其结果是出色的，并且在 2017 CVPR 自动驾驶挑战的车道检测竞赛中获得第二名，而在不使用外部数据的情况下是最优表现者。

Mar, 2018

像素目标性

本文提出了一种端到端的学习框架，其中使用深度卷积网络实现了将前景 / 背景标签分配给所有像素的结构化预测，在无需看到训练期间未曾见过的物体类别的情况下生成了像素级的前景对象分割，并在 ImageNet 和 MIT ObjectDiscovery 数据集上显著改善了前景分割的最新技术成果。我们最后展示了该方法如何使图像检索和图像重排具备更好的应用前景图。

Jan, 2017

用于全景分割的完全卷积网络

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

基于分级 Lovász 嵌入的无需提议的全景分割

Hierarchical Lovasz Embeddings 是一种新的、简单的、基于空间嵌入的、提议自由的、可同时学习实例和类别级信息的方法，可以精确地建模实例，并使用简单的最近类均值分类器来推广到类别。此方法在 Cityscapes、COCO 和 Mapillary Vistas 上达到了最先进的成果，并展示了视频帧之间的时态稳定性。

Jun, 2021

像素级聚类网络用于无监督图像分割

本文提出了一个像素级聚类框架，用于将图像分割成区域，而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割，以实现准确的无监督分割。此外，我们提出了一种训练策略，利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法，以避免由基于超像素的损失引起的过分分割。最后，我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验，我们证明了所提框架的有效性。实验结果表明，所提框架优于先前的最先进方法。

Oct, 2023

大规模 LiDAR 点云中精确实例分割的研究

研究通过聚类策略和点嵌入来改进全景分割的实例分割步骤，以解决同一个语义类别附近实例分割的挑战，实验证明该策略的有效性和多样性。

Jul, 2023

点级监督的全景分割

本文提出了一种新的弱监督全景分割方法，使用逐点标注替代像全监督方法那样使用像素级标签，通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习，最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识，以实现像素解析。在实验中，本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。

Oct, 2022

单次全景分割

本文提出了一种全新的端到端单次方法，可以将可计数的物体实例 (事物) 以及背景区域 (物料) 分段成为一个几乎达到视频帧率的非重叠全景分割。

Nov, 2019

全景分割端到端网络

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