CVPRMar, 2021

自动驾驶视频类别无关分割基准测评

PDF
TL;DR该研究论文讨论了在自动驾驶里面实现视频类别不可知的图像语义分割，通过对比开放集关系与运动分割问题来解决未知目标语义分类的问题，并对基于外观、几何学习和对比损失等基础方法进行测评，提出了公共数据集和榜单，并公布了相应的模型。
semantic segmentationunknown objectsvideo class agnostic segmentationautonomous drivingopen-set segmentation
发现论文，激发创造
  • 自动驾驶车辆中未知实例的识别

    本文提出了一种基于深度学习的开放式场景下点云实例分割算法，能够从点云场景中分割出不同类别的实例。实验在两个自动驾驶数据集上验证了该方法的有效性。

    Oct, 2019

  • 跟踪，然后决策：基于视觉的多目标跟踪与类别无关

    本文提出了一种基于分割掩码的跟踪器，使用无分类模型的多目标跟踪方法来跟踪物体，该方法能够利用语义信息以及跟踪未知对象，并能够发现和跟踪大量其他对象，并取得了与最先进的基于检测的跟踪方法相当的性能。

    Dec, 2017

  • 包含类别相似性的开放世界语义分割

    该论文提出了一种新颖的方法，能够在没有额外训练数据的情况下，同时完成准确的封闭世界语义分割和识别新类别，还提供了每个新发现类别与已知类别的相似度度量，可在规划或映射等下游任务中提供有用信息。通过广泛的实验，我们展示了我们的模型在训练数据中已知类别以及异常分割方面取得了最先进的结果，并且能够区分不同的未知类别。

    Mar, 2024

  • 基于贝叶斯的开放世界语义实例分割

    本文提出了一种基于贝叶斯框架和模拟退火优化的图像划分采样算法，基于已知物体类别的目标检测器输出，实现了在开放集条件下分割所有已知和未知目标类别的实例分割方法，该方法在已知类别和未知类别上均有较好表现并且与监督式方法相比具有竞争性。

    Jun, 2018

  • 关于视频分割的深度学习技术调查

    该论文综述了在视频分割中使用的深度学习算法，其中包括了对象分割和语义分割，同时提供了这两种方法和数据集的详细概述，以及在几个知名数据集上的性能评估和未来研究的机会。

    Jul, 2021

  • 未标识视频对象：用于稠密、开放世界分割的基准

    本文提出了 UVO（未识别视频对象），这是一个用于视频中开放世界类无关对象分割的新基准，由于其更大，更具挑战性且可以用于目标跟踪和超像素分割等其他应用，因此可用于研究人员开发新的方法。

    Apr, 2021

  • 利用未标记视频对来自未见过的类别的对象进行更好的分割学习

    本文探索使用未标注的视频序列自动生成未知类别对象的训练数据，介绍了一种基于贝叶斯方法的自动创建训练集的方法，并通过实验证明其能够显著提高分割未知类别对象的性能，从而可以利用丰富的互联网视频实现开放世界的实例分割。

    Apr, 2021

  • 有限训练数据的语义分割

    介绍了在混乱场景中进行机器人感知的方法，在 Amazon 机器人挑战赛中获得胜利。作者提出了两种策略：一种是基于深度度量学习的方法，另一种是基于全监督语义分割方法的方法，并在数据集上进行了全面分析。两种方法都有良好效果，值得进一步研究。

    Sep, 2017

  • 视频的自监督目标中心学习

    本文提出了第一个完全无监督的方法，用于在真实场景的序列中分割多个对象，通过空间绑定对象并将这些槽联系起来，在高级语义特征空间中重建中间帧，解决了效率和规范化问题，成功地在 YouTube 视频中分割了复杂且多变的类别的多个实例。

    Oct, 2023

  • 用立体视觉进行语义化三维物体和自我运动跟踪，用于自动驾驶

    本文提出了一种基于立体视觉的方法，用于在动态自动驾驶情景下跟踪摄像机姿态和三维语义对象，该方法使用易于标注的二维检测和离散视点分类结合轻量级语义推理方法获取粗略的三维物体测量，并基于当前的物体感知相机姿态跟踪实现物体位置的估计与 3D 建模以获得精确度和时间一致性。

    Jul, 2018