Ada-Segment: 自适应多损失 Panoptic 分割
本文介绍了一种全新的网络架构 EDAPS,它使用共享的、domain-robust 转换器编码器,以方便语义特征和实例特征的联合适应,但还针对域适应的语义和实例分割任务的特定要求设计了任务特定的解码器,从而显著提高了挑战性 panoptic 基准测试的性能。
Apr, 2023
提出了一种名为 LIDAPS 的新型模型,通过 IMix 策略实现了实例级的域适应,提高了全景质量,并利用 CLIP-based domain alignment (CDA) 方法来解决语义性能下降的问题,在流行的全景无监督域适应基准测试中取得了最先进的结果。
Apr, 2024
提出了一种称为 DaTaSeg 的通用多数据集多任务分割模型,通过使用共享表示,并采用不同的合并操作和后处理,利用弱监督和共享知识的方法,在 ADE 语义、COCO 全景和 Objects365 检测数据集上进行了训练,并能够实现直接转移的开放词汇分割。
Jun, 2023
本研究提出了一种基于 CNN 的新型架构,可以进行端到端的训练,以提供无缝的场景分割结果。该网络结构采用了一种新颖的分割头,将由特征金字塔网络生成的多尺度特征与由轻量级 DeepLab 模块传递的上下文信息进行了无缝整合,从而预测一致的语义分割和检测结果。此外,研究人员还提出了一种替代 panoptic 度量的方法,克服了评估非实例类别时的局限性。通过在三个具有挑战性的街景数据集上测试,即 Cityscapes、Indian Driving Dataset 和 Mapillary Vistas,我们的网络架构取得了最先进的结果。
May, 2019
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
提出一种名为 amodal panoptic segmentation 的任务,旨在同时预测 stuff 类可见区域的像素级别语义分割标签和 thing 类可见区域以及遮挡区域的实例分割标签。扩展两个基准数据集以便研究新任务,在公开可用的 KITTI-360-APS 和 BDD100K-APS 中提供像素级别的 amodal panoptic 分割标签。提出了 APSNet 模型,它显式地建模了遮挡物和被遮挡物的复杂关系。在两个基准测试上达到了最先进的性能。
Feb, 2022
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
本文提出了一种基于 Cycle Consistency Panoptic Domain Adaptive Mask R-CNN 架构的无监督核分割方法,该方法利用荧光显微镜图像进行学习,并引入对源域的偏置特征的动态修正机制,以实现跨数据集的域适应,实验结果表明,该方法在三个数据集上优于最先进的无监督域自适应方法,同时表现出类似于完全监督方法的性能。
May, 2020