ECCVJul, 2020

SegFix: 用于分割的模型无关边界细化

PDF
TL;DR我们提出了一种模型无关的后处理方案，通过使用内部像素的标签预测替换原来不可靠的边界像素预测，实现改进分割结果的边界质量，我们通过学习朝向内部像素的方向来建立对应关系，并实验证明我们的方法能够在 Cityscapes、ADE20K 和 GTA5 等数据集上有效地减少边界错误。
segmentationpost-processingboundary qualityinterior pixelscorrespondence
发现论文，激发创造
  • SegRefiner：离散扩散过程下的面向模型无关分割精化

    提出了 SegRefiner 方法，通过将细分改进视为数据生成过程，通过一系列去噪扩散步骤实现。经过全面实验验证，SegRefiner 在各种细分任务中表现出优越性能，包括语义分割、实例分割和二分图像分割。

    Dec, 2023

  • 更近距离观察以进行更好的分割：用于实例分割的边界补丁细化

    提出一种基于后处理细化的框架，名为 BPR，以改善任何实例分割模型的结果，该框架通过沿预测边界提取和细化一系列小的边界补丁来提高边界质量，在 Cityscapes 基准测试中比 Mask R-CNN 基线得到显著提升，特别是在边界感知度量方面；此外，通过将 BPR 框架应用于 PolyTransform + SegFix 基线，我们在 Cityscapes 排行榜上达到第一名。

    Apr, 2021

  • 提高无监督分割学习的两个技巧

    通过图像后处理和多尺度一致性准则，我们提出了两种实用的改进技术来提高无监督分割学习的分辨率和准确性，并在无监督分割学习中的多个基准上取得了明显效果。

    Apr, 2024

  • 快速交互图像分割的边界提案分组

    基于极小测地线框架、自适应切割方法以及基于图的边界提议分组方法，提出了一种新型图像分割模型，实验证明该模型在应用于图像分割上优于最先进的基于极小路径的方法。

    Sep, 2023

  • SharpContour: 基于轮廓的边界细化方法，用于高效和准确的实例分割

    本文提出了一种高效的基于轮廓的边缘细化方法 SharpContour，通过设计一种新颖的轮廓演化过程和实例感知点分类器，能够比现有的方法更加准确地预测轮廓，并与现有的模型无缝合作。

    Mar, 2022

  • 边缘乃魔鬼：从嘈杂标注中学习语义边界

    本文提出了一种新的网络层和损失函数，用于退化标注数据并从中学习到尖锐、精确的语义边界，通过实验证明相较于已有方法，其能够显著地改善语义边界检测效果并提高粗分割标签的效率。

    Apr, 2019

  • 面向移动和 Web 应用的边界感知分割网络

    本文提出了一种基于边界感知的图像分割网络，它包含一个预测 - 优化的体系结构和一个混合损失函数，可用于高精度图像分割，并在显著对象分割和伪装对象分割等任务上展示了出色的性能。基于该网络，开发了 “AR COPY＆PASTE” 和 “OBJECT CUT” 两个商业应用，可供公众使用。

    Jan, 2021

  • Patch2Pix: 基于极线引导的像素级对应

    本文提出了基于检测再细化的新视角来估计对应关系，并介绍了一种新颖的细化网络 Patch2Pix，它通过对匹配传播的精细调整和置信度分数的拒绝来提高对应关系网络的性能，实现了图像匹配、单应性估计和定位任务的最优性能。

    Dec, 2020

  • Mobile-Seed：移动机器人的联合语义分割和边界检测

    Mobile-Seed 是一个轻量级的双任务框架，旨在同时改进语义分割性能和准确定位物体边界。通过引入两个编码路径、主动融合解码器和双任务正则化方法，Mobile-Seed 能够动态适应语义和边界信息的融合，并通过正则化损失减轻双任务学习中的冲突。在 Cityscapes 数据集上的实验证明了 Mobile-Seed 相比现有方法，在 mIoU 和 mF-score 指标上分别提高了 2.2 和 4.2 个百分点，并在 RTX 2080 Ti GPU 上以每秒 23.9 帧的速度进行在线推理。该方法在 CamVid 和 PASCAL Context 数据集上的额外实验证实了其普适性。

    Nov, 2023

  • DeepStrip: 高分辨率边界细化

    通过将感兴趣区域转换为条带图像，并在其上计算边界预测来提高高分辨率图像的边界精度。

    Mar, 2020