Feb, 2022

非物体的全景分割

PDF
TL;DR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。
amodal perceptionpanoptic segmentationinstance segmentationapsnetbenchmark datasets
发现论文，激发创造
  • 感知无形：无需提案的全视野不论提取分割

    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

  • 无关视角实体分割

    本文提出并验证了一种基于标准模态实例分割注释来训练模型进行非模态实例分割的新方法。同时定性和定量证明了该方法的有效性。

    Apr, 2016

  • 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

  • 语义无关模态分割

    本文从视觉识别入手，通过提出一种新的图像标注方式 —— 语义全场景标注，捕获了更全面的图像信息并创建了两个新的数据集来提高模型提取信息的准确性和效率。

    Sep, 2015

  • 非模态追踪任意物体

    通过引入 TAO-Amodal 基准测试数据集，并利用轻量级插件模块，amodal 扩展器，通过数据增强和少量视频序列的微调，我们在 TAO-Amodal 上分别实现了 3.3％和 1.6％对遮挡物体的检测和跟踪改善，并在人物方面相较于现有模态基线实现了巨大 2 倍的改进。

    Dec, 2023

  • 野外环境下的无偏实态和补全

    我们研究的问题是不完全图像分割：预测包括可见和不可见（被遮挡）部分的完整对象分割掩膜。我们使用 3D 数据构建了一个自动管道来确定真实的部分遮挡对象的不完全真值分割掩膜，并通过两种架构变体探索了在野外处理不完全完成任务的方法。我们的方法在包括 COCOA 和我们的新 MP3D-Amodal 数据集在内的不完全分割数据集上取得了最新的最好性能。

    Dec, 2023

  • 单次全景分割

    本文提出了一种全新的端到端单次方法，可以将可计数的物体实例 (事物) 以及背景区域 (物料) 分段成为一个几乎达到视频帧率的非重叠全景分割。

    Nov, 2019

  • MOPT: 多目标全景追踪

    本文介绍了一种新的感知任务，名为多物体全景追踪，它将传统上分离的语义分割、实例分割和多物体追踪任务综合在一起，并提出了基于软全景追踪质量度量的评估方法。本文还提出了一种新的全景追踪网络 PanopticTrackNet，用于同时学习所有子任务。实验结果表明，此方法在基于视觉和 LiDAR 的多物体追踪上均表现优异。

    Apr, 2020

  • 全景式深度实验室

    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

  • 深度感知全景分割

    基于 RGB 图像和深度图像的全景分割的新方法；通过使用所观察场景的 3D 几何信息，减少错误合并为一个事物实例的对象数量，提高全景质量。

    Mar, 2024