Jun, 2021

SOLO：一个简单的实例分割框架

HTML
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。
发现论文，激发创造
  • 多任务网络级联实例感知语义分割

    本文介绍了一种基于Multi-task Network Cascades的实例感知语义分割模型，该模型包含三个网络，分别用于区分实例、估算掩模和分类物体。该方法在PASCAL VOC数据集上达到了最先进的实例感知语义分割准确度，并且速度比之前的系统快两个数量级。

    Dec, 2015

  • InstanceCut: 从边缘到实例的多切分

    该研究采用新的建模方法（InstanceCut），通过卷积神经网络和新的实例感知边缘检测模型实现两种输出模态，即无关实例的语义分割和所有实例边界。进一步地，将这两种模态融合为一种新的MultiCut formulation，并在CityScapes数据集上获得了比已有方法更好的结果。

    Nov, 2016

  • 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

  • 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

  • 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

  • BoxInst：基于Box Annotations的高性能实例分割

    本文提出了一种基于网格框标注的高性能方法，实现了面部实例分割，通过重新设计学习实例分割中的掩码损失函数，优化了训练过程，并在COCO数据集上实现了优秀的实验结果。

    Dec, 2020

  • 使用条件卷积进行实例和全景分割

    提出了一种新的实例和全景分割框架：CondInst。与传统的ROI操作相比，CondInst利用动态条件卷积设计动态实例感知掩模头，使得实例和全景分割统一成了一个完全卷积的网络，并且提高了推理速度与实例掩码的分辨率。

    Feb, 2021

  • 基于学习的成对亲和力伪标签的开放世界实例分割

    本文提出一种能够在没有先验标签的情况下实现像素实例分割的新方法：Generic Grouping Networks，在预测配对亲和性（PA）的基础上构建伪基础实例掩码，并与真实标注掩码一起训练模型，从而在多个基准数据集上，相较于现有最优方法，实现了更好的开放域实例分割性能。

    Apr, 2022

  • SIM:基于盒子监督的语义感知实例掩膜生成

    该论文提出了一种基于语义实例掩模的箱式监督实例分割方法，能够更好地处理对象之间的遮挡区域，并通过语义级假标签及自校正机制识别前景对象。

    Mar, 2023