CVPRJun, 2021

部件感知全景分割

PDF
TL;DR本研究提出了 Part-aware Panoptic Segmentation（PPS）这个新的场景理解任务，旨在多层次把场景理解和部件理解统一起来，并提出了一种新的评估指标，即 Part-aware Panoptic Quality（PartPQ），通过在两个常用数据集上进行一致的注释，比较了现有的几种方法在该任务上的表现，实验结果证实了任务的有效性及多层次抽象的重要性。
part-aware panoptic segmentationscene understandingpart parsingannotationsmetric
发现论文，激发创造
  • 全景分割

    本文提出并研究了一项称为全景分割的任务，该任务将语义分割和实例分割两个任务统一起来，提出了新型的评估指标，并进行了全面的研究。

    Jan, 2018

  • JPPF: 多任务融合一致的全景部分分割

    我们提出了一种联合全景部分融合（JPPF）方法，它通过有效地结合三种单独的分割方法来获得全景 - 部分分割，该方法具有统一的模型，平衡的组合，可以在多个数据集上进行通用化评估。

    Nov, 2023

  • 通过联合物体 - 部分表示实现任务对齐的部分感知全景分割

    通过使用一组共享的查询，我们提出了任务对齐的部分感知全景分割 (TAPPS) 方法，用于共同预测对象级别的分割以及这些对象内的部分级别分割，从而将学习目标与任务目标对齐，在全景分割任务中取得了新的最先进结果。

    Jun, 2024

  • PanopticPartFormer++：全景部分分割的统一与解耦视图

    该研究提出了一种名为 Panoptic-PartFormer 的端到端统一框架，结合了全景与部件分割这两个任务，并在此基础上提出了一种新的衡量标准 Part-Whole Quality，同时引入了一种掩膜交叉注意力机制以进一步提高部分分割质量。

    Jan, 2023

  • Panoptic-PartFormer: 学习一种统一模型用于全景部件分割

    本文旨在设计首个端到端的统一方法 Panoptic-PartFormer，通过模型事物、材料和部分作为对象查询直接学习统一的掩模预测和分类问题，设计解耦解码器分别生成部分特征和物体 / 材料特征，并提出同时和迭代地利用所有查询和相应特征进行推理。该模型在 Cityscapes PPS 和 Pascal Context PPS 数据集上实现了新的最先进结果，与 ResNet50 骨干和 Swin Transformer 相结合在 Pascal Context PPS 数据集上实现了 10％的改进，并取得了至少 70％GFlops 和 50％参数减少。

    Apr, 2022

  • 视频全景分割

    本文提出了一种名为 Video Panoptic Segmentation 的新型视觉识别任务，同时提出了两个视频全景数据集，以及一种 VPSNet 网络，在 VPQ 度量下，在 Cityscapes-VPS 和 VIPER 数据集上实现了最先进的结果。

    Jun, 2020

  • 场景理解的 Cityscapes-Panoptic-Parts 和 PASCAL-Panoptic-Parts 数据集

    本技术报告介绍一种用于图像场景理解的数据集，包含兼容于全景分割和部分语义类别的标注，同时提供相关统计信息和处理 / 可视化代码。

    Apr, 2020

  • 高效 PS: 高效全景分割

    本文介绍一种基于 EfficientPS 架构的自动机器人场景理解新方法，能够有效地实现交通参与者和场景语义实例识别，并提出了包含 KITTI panoptic segmentation 数据集的新领域，其通过在多个基准测试中进行广泛的评估证明具有领先的性能和最高效的速度。

    Apr, 2020

  • 街景理解的单网络全景分割

    本文提出了一种用于全景分割的深度神经网络，将语义分割与实例分割任务联合起来，从而在单次计算中为输入图像的每个像素提供类标签和唯一对象标识符，并且通过增强信息共享和合并启发式方法，单个网络的性能提高，如在 Cityscapes 上可获得 45.9 的 PQ 分数。

    Feb, 2019

  • 全景场景图生成

    介绍了一项新的问题任务，即基于全景分割生成全景场景图（PSG）；创建了一个高质量 PSG 数据集用于基准测试，并介绍了四种传统方法的改进和两种基于 Transformer 的单阶段基线；探讨了未来的挑战和发展方向。

    Jul, 2022