基于贝叶斯模型的任务外和分布外推广实现的遮挡分割

CVPROct, 2020

基于贝叶斯模型的任务外和分布外推广实现的遮挡分割

Amodal Segmentation through Out-of-Task and Out-of-Distribution Generalization with a Bayesian Model

Yihong Sun, Adam Kortylewski, Alan Yuille

TL;DR本文探讨了利用贝叶斯模型解决神经网络中的物体分割模糊出界问题，通过利用对象的背景和形状作为先验知识来实现模型对训练任务标签的超出范围的推理，并通过应用异常值处理技术来推广到部分被遮挡的对象并预测其模态对象边界。

Abstract

amodal completion is a visual task that humans perform easily but which is difficult for computer vision algorithms. The aim is to segment those object boundaries which are occluded and hence invisible. This task is particularly challenging for deep →

amodal completion segmentation neural networks bayesian models generalization

发现论文，激发创造

野外环境下的无偏实态和补全

我们研究的问题是不完全图像分割：预测包括可见和不可见（被遮挡）部分的完整对象分割掩膜。我们使用 3D 数据构建了一个自动管道来确定真实的部分遮挡对象的不完全真值分割掩膜，并通过两种架构变体探索了在野外处理不完全完成任务的方法。我们的方法在包括 COCOA 和我们的新 MP3D-Amodal 数据集在内的不完全分割数据集上取得了最新的最好性能。

Dec, 2023

无关视角实体分割

本文提出并验证了一种基于标准模态实例分割注释来训练模型进行非模态实例分割的新方法。同时定性和定量证明了该方法的有效性。

Apr, 2016

通过渐进混合上下文扩散实现非模态完成

我们的方法通过在物体边界框外使用其上下文来指导预训练的扩散修复模型，逐步扩展遮挡物体并修剪额外背景，从而克服了两个技术挑战，并在众多成功的修复情况中展现了改进的照片级修复结果。

Dec, 2023

非模态追踪任意物体

通过引入 TAO-Amodal 基准测试数据集，并利用轻量级插件模块，amodal 扩展器，通过数据增强和少量视频序列的微调，我们在 TAO-Amodal 上分别实现了 3.3％和 1.6％对遮挡物体的检测和跟踪改善，并在人物方面相较于现有模态基线实现了巨大 2 倍的改进。

Dec, 2023

BLADE：通过定向扩展进行盒级有监督非凡感分割

基于可见掩码的有向扩展方法，通过引入重叠区域的连接损失，实现了精确的遮挡物体完整分割。

Jan, 2024

PLUG: 使用基础模型和分层关注重新审视非模态分割

研究论文旨在通过 SAM 方法提出了一种新的分层焦点框架，应用先验知识进行图像的完整形状预测，提高精度和性能。

May, 2024

语义无关模态分割

本文从视觉识别入手，通过提出一种新的图像标注方式 —— 语义全场景标注，捕获了更全面的图像信息并创建了两个新的数据集来提高模型提取信息的准确性和效率。

Sep, 2015

一种具有边界不确定性估计的弱监督的非摄影分段器

该文章使用弱监督的方式实现了遮挡性实例分割任务，提出了一种新的基于边界不确定性估计的无模态实例分割方法 ASBU，并在 COCOA 和 KINS 数据集上取得了显著的性能提升。

Aug, 2021

基于累积遮挡学习的顺序非模态分割

通过扩散模型与累积遮蔽学习，我们引入了序列化的不定类目物体的分割，以便在密集的多层视觉场景中准确预测可见和遮挡区域，同时捕捉不可见区域的不确定性和再现被遮挡物体的复杂形状和遮挡顺序分布。

May, 2024

感知无形：无需提案的全视野不论提取分割

本文提出了一种无需预测提议、将 amodal mask 分配到不同层级、通过在每一层独立地进行 amodal 实例回归来预测交通参与者及其语义标签的 proposal-free 多标签多类别无缝分割网络，并采用共享骨干和不对称双解码器的 et 架构以及 amodal mask refiner，其在 BDD100K-APS 和 KITTI-360-APS 数据集上的测试表明超越了现有技术水平。

May, 2022