通过中间距离回归监督改进像素嵌入学习，用于实例分割

ECCVJul, 2020

通过中间距离回归监督改进像素嵌入学习，用于实例分割

Improving Pixel Embedding Learning through Intermediate Distance Regression Supervision for Instance Segmentation

Yuli Wu, Long Chen, Dorit Merhof

TL;DR本文主要研究一种无需提议的实例分割方法，通过像素嵌入学习和聚类来识别图像中的物体，并提出一种包含距离回归模块的简单有效的体系结构，用于生成快速聚类的种子，并且通过将距离回归模块的特征与图像进行拼接，可以显著提高学习到的嵌入特征的准确性。该方法在 CVPPP Leaf Segmentation Challenge 上的结果是排行榜中最好的。

Abstract

As a proposal-free approach, instance segmentation through pixel embedding learning and clustering is gaining more emphasis. Compared with bounding box refinement approaches, such as Mask R-CNN, it has potential

instance segmentation pixel embedding learning clustering object-aware embedding learning distance regression module

发现论文，激发创造

利用像素嵌入实现稀疏物体级监督的实例分割

本文提出了一种基于非空间嵌入的无提案分割方法，可处理生物医学图像等难以密集标注的图像，并引入了一种自我监督一致性损失，以解决正 - 无标签训练中的挑战。在不同显微镜模式下的二维和三维分割问题以及城市景观和 CVPPP 实例分割基准上，实现了最先进的结果。

Mar, 2021

基于距离变换回归的空间感知深层语义分割

通过在标签掩码上计算距离变换，训练一个全卷积神经网络来同时学习分类和距离回归，可以有效地应用于视觉场景中的语义分割并有效解决边界模糊和分割失真的问题。

Sep, 2019

循环像素嵌入用于实例分组

该论文提出了一个可微分、端到端的训练框架，用于解决像实例分割这样的像素级分组问题，其中包括超球嵌入和均值漂移聚类两个创新部分，并通过组加权损失进行反向传播，从而实现子集聚合。实验证明，这个框架在提高目标建议生成的表现方面表现出显著的优势，同时还展示了在边界检测和语义分割等分类任务中应用聚合损失的益处。

Dec, 2017

使用像素度量学习的快速视频目标分割

该研究致力于解决在给定用户注释指向感兴趣的物体的情况下的视频对象分割问题。作者提出了一种基于学习嵌入空间的像素级检索方法，并使用全卷积网络作为嵌入模型，使用修改后的三元组损失进行训练。作者提出的方法支持不同类型的用户输入，如在第一帧中的分割遮罩（半监督情况下），或者一个稀疏的点击点集合（交互情况下），并在计算成本上获得了很好的结果。在半监督场景中，该方法达到了与现有技术相比竞争性的结果，但计算成本仅为每帧 275 毫秒。在交互式场景中，该方法能够实时响应用户的每个输入，并达到了与竞争方法相当的质量，但交互程度要少得多。

Apr, 2018

用局部约束学习的对象感知嵌入实现生物医学图像的实例分割

研究了自动实例分割的问题，并提出一种基于深度神经网络的嵌入向量方法，使得相邻物体在嵌入空间中互相垂直，从而避免了对象的合并。该方法在细胞和叶片图像的分割任务中，即使使用轻量级的骨架网络也能达到领先水平。

Apr, 2020

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

用于实例分割的半卷积算子

本文研究目标检测和实例分割问题，提出了一种基于像素级别标签的解决方案，证明了构造可以分离对象实例的密集像素嵌入不易使用卷积运算实现，但也表明了简单的修改可以更好地解决该问题。我们将其与 Hough 投票和双边核的变体相关联，并演示了这些运算符可以用于改进 Mask RCNN 等方法。

Jul, 2018

学习 RGB-D 特征嵌入以进行未见过的物体实例分割

通过学习来自合成数据的 RGB-D 特征嵌入，引入了一种新的方法来实现未知物体实例的分割，其中使用度量学习损失函数来产生像素级特征嵌入，以便在嵌入空间中将同一对象的像素靠近，并将不同对象的像素分开。通过使用学习到的特征嵌入，可以将平均漂移聚类算法应用于发现和分段未知对象，对此进一步改进了分段的准确性。我们的方法证明，非真实光线的合成 RGB 和深度图像可以用于学习特征嵌入，从而实现在未知物体实例分割方面的好的迁移效果。

Jul, 2020

对比物体掩码提案的无监督语义分割

本文旨在通过采用对比优化目标中的预定中级先验，引入了一个两步框架来学习像素嵌入，从而解决了计算机视觉中的无监督语义表示学习问题，并证明此方法优于现有方法。

Feb, 2021

无监督视频目标分割中的实例嵌入迁移

提出一种用于无监督视频目标分割的方法，通过转移图像实例嵌入网络中封装的知识。通过将实例嵌入与物体性和光流特征相结合，无需模型重新训练或在线微调，即可将物体链接起来。该方法在 DAVIS 数据集和 FBMS 数据集上优于最先进的无监督分割方法。

Jan, 2018