May, 2022

感知无形：无需提案的全视野不论提取分割

PDF
TL;DR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。
amodal panoptic segmentationmulti-labelmulti-classasymmetrical dual-decoderstate-of-the-art
发现论文，激发创造
  • 非物体的全景分割

    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。

    Feb, 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

  • 基于可见区域分割和形状先验的遮挡分割

    提出一个基于形状先验知识的可见可切割分割方法，通过集中在可见区域和内存中的形状先验知识，该方法可以消除背景和遮挡区域的影响，提高分割效果。

    Dec, 2020

  • BLADE：通过定向扩展进行盒级有监督非凡感分割

    基于可见掩码的有向扩展方法，通过引入重叠区域的连接损失，实现了精确的遮挡物体完整分割。

    Jan, 2024

  • 学习看见不可见的：端到端可训练的平均实例分割

    本文提出了第一个全新的端到端可训练模型，为语义无模态分割预测非实例的遮挡区域，实验结果表明，本模型选择的架构有助于无模态分割，并在 COCO 无模态数据及两个新数据集上均提供了强大的基础性能。

    Apr, 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

  • 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

  • PLUG: 使用基础模型和分层关注重新审视非模态分割

    研究论文旨在通过 SAM 方法提出了一种新的分层焦点框架，应用先验知识进行图像的完整形状预测，提高精度和性能。

    May, 2024

  • BANet：双向聚合网络在遮挡处理方面的全景分割

    本文提出了一种基于双向学习流程和插拔式遮挡处理算法的深度全景分割方案，用于同时执行前景实例的实例分割和背景物品的语义分割，并能有效地处理不同物体实例之间的遮挡问题。在 COCO 全景基准测试中，实验结果验证了我们所提出的方法的有效性。

    Mar, 2020

  • 基于分层遮挡模型的未见过目标全息实例分割

    本文介绍了一种基于 Hierarchical Occlusion Modeling 方案的 Unseen Object Amodal Instance Segmentation（UOAIS）技术，可以检测出未被发现目标实例上的可见掩蔽、Amoldal 掩蔽和遮挡，并在三种基准测试环境中取得了最新的最佳表现，可用于机器人在拾取遮挡物品时。

    Sep, 2021