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
通过自学习方法在合成到真实的领域适应问题设置中,开发了一个基于嵌入的自学习全景分割框架。
Nov, 2023
本研究提出了一种精准农业方法,采用弱监督学习技术和点击输入,提出一种高效准确的离线工具 —— 全景一键分割法,它可以在降低标注数据成本的同时,有效地定位和分割所有的作物对象。在糖菜和玉米图像数据上的表现表明,我们的方法不仅与传统的一键分割法比拼,而且训练速度更快,使得我们能够将众多的边缘标记转化为面标记,从而有效地提高了模型的性能
Mar, 2023
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
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
通过计算机视觉方法和深度神经网络,本文提出了一种能够解决个体组件识别、关键点检测和行为分析的系统,并且不受对象遮挡的影响,从而摆脱了对实验室动物手动标注的需求。
May, 2024
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
利用基于实例分割的迁移学习的方法实现动物行为分析,能够跟踪多个动物并在实验室录制的视频中进行行为分析,其在动物行为分析任务中达到了人类能力水平,使用少量标记图像进行训练,可用于推进动物行为分析技术的研究和实践。
Dec, 2023
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。
Oct, 2019
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