Jun, 2021

SOLO：一个简单的实例分割框架

PDF
TL;DR介绍一种新的角度来处理实例分割任务：引入 “实例类别” 的概念，其根据实例的位置给每个像素分配类别，从而提出了 Segmenting Objects by Locations（SOLO）。我们的方法消除了后处理分组或边界框检测的需求，并以在速度和准确性方面都取得了最新成果，同时比现有方法相对简单。
instance segmentationinstance categoriessoloobject detectionpanoptic segmentation
发现论文，激发创造
  • SOLO: 基于位置的物体分割

    提出了一种新的、非常简单的实例分割方法，通过引入 “实例类别” 概念，将实例掩码分割转化为可分类问题。实验结果表明，该方法具有较强的性能和简单的框架，可以作为许多实例级别识别任务的基准。

    Dec, 2019

  • SOLOv2: 动态和快速的实例分割

    本文提出一种简单、直接、快速的实例分割框架，其主要创新点是动态地学习对象分割器的掩码头（mask head），并引入了 Matrix NMS 来显著减少 NMS 导致的推理时间开销。该方法在速度和准确率上优于当前最先进的方法，在对象检测和全景分割等任务中也表现出良好的性能。

    Mar, 2020

  • FreeSOLO: 无标注物体分割学习

    本文提出了一种基于 SOLO 的自监督实例分割框架 FreeSOLO，通过实现一个新颖的定位感知预训练框架成功地实现了无监督的类不可知实例分割，其与一些使用手动标注的分割提案方法相比表现更优，而且还通过 + 9.8% 的 AP 在弱监督条件下对预训练方法进行了进一步改进。

    Feb, 2022

  • 基于图像级监督学习的实例分割：口罩在哪里？

    本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验，相对于现有方法说明主要性能提高。

    Jul, 2019

  • 实例分割综述：现状

    本文综述了实例分割的背景、问题、技术、演化、流行数据集及现有相关工作和未来前景，为从事实例分割领域研究的人提供了有价值的信息。

    Jun, 2020

  • 单次实例分割

    该研究提出一种名为 Siamese Mask R-CNN 的方法来解决一个新挑战性的问题 —— 一次性实例分割，通过对参考图像和场景进行编码来将检测和分割目标定向于参考类别，虽然将分割实例的知识转移到新对象类别的表现很好，但是针对参考类别进行检测的困难度更大，该研究为一次性实例分割提供了一个有力的准确率基准，并将启发更多有关更强大和灵活的场景分析算法的研究。

    Nov, 2018

  • 动态实例化网络的像素级实例分割

    该论文提出了一种基于语义分割的实例分割系统，利用 CRF 预测具有对象类和实例标签的分割地图，从而提高难度较大的像素级别分割精度，使像素不能属于多个实例，并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。

    Apr, 2017

  • 跨越类别级别和实例级别的语义图像分割

    通过语义类别分割为基础，使用一种深度卷积回归网络来预测像素级的实例边界框，以实现语义实例分割，同时在训练过程中采用在线引导方法来进一步提高语义类别分割和实例级分割的效果，以最终在 PASCAL VOC 2012 数据集上取得最佳结果。

    May, 2016

  • 学习分割每一物

    该研究提出了一种新的部分监督训练范式和权重转移函数，使得可以在仅有少量掩模注释的情况下，使用来自 Visual Genome 数据集的框注释和 COCO 数据集中 80 个类别的掩模注释，训练出可以检测和分割 3000 个视觉概念的 Mask R-CNN 模型，在 COCO 数据集上进行了实验评估。这是实现广泛理解视觉世界的目标实例分割模型的第一步。

    Nov, 2017

  • 实例级显著目标分割

    本篇论文介绍了如何通过使用深度卷积神经网络，建立图像中的显著性实例分割方法，通过一个多尺度显著实例分割网络生成高质量的显著性分割结果，并在公共基准测试中取得了最优的结果。

    Apr, 2017