基于框标注的水平集演化实例分割
介绍了一种将现有的深度学习模型和变分分割方法结合的方法,该方法利用深度特征和能量函数优化得到高精度的实例分割掩码,适用于机器人操作和自动驾驶等各种现代应用。
Jul, 2020
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
本文提出了一种名为 BoxSup 的方法,通过利用 bounding box annotations 代替 human-annotated, pixel-level segmentation masks 来训练卷积网络,循环生成 region proposals 和训练卷积网络来恢复分割掩模和提高网络的准确性。这个方法在 PASCAL VOC 2012 和 PASCAL-CONTEXT 上取得了 state-of-the-art 的结果。
Mar, 2015
本文提出了一种无需修改分割训练过程的弱监督训练方法,通过精心设计给定边界框的输入标签,经过单一训练循环即可达到先前算法的弱监督结果并能够抵达完全监督模型的约 95% 的语义标注和实例分割质量。
Mar, 2016
本文提出 Box2Mask 方法,利用 3D 包围盒标签进行弱监督学习,通过 Hough 投票和聚类方法实现 3D 实例分割,无需密集注释点云数据,模型在 ScanNet 测试上达到领先水平(+18 mAP@50),并在实现 3D 实例分割掩码方面取得了令人信服的结果。
Jun, 2022
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
该研究提出了一种只需要点级别注释来训练模型实现物体实例分割的方法,其通过建立一个具有两个分支(定位网络和嵌入网络)的网络,使用伪标签和相似嵌入方法来提高分割效果,在特定情况下,可以获得有竞争力的结果,并且是一种实例分割点级别监督的强基准线。
Jun, 2019
研究使用 CNN 进行语义分割时由于输出分辨率较低而损失空间细节的问题,采用基于 level set 理论的新型 loss function:level set loss,将 level set 函数转化为类别概率图,通过加权求和与 cross-entropy loss 进行联合优化,提高了分割结果的空间细节。对比先前的方法取得更好的性能。
Oct, 2019
通过多个角度利用实例框注释生成高质量的伪实例掩码,并引入两种基于高质量伪实例掩码的真实数据过滤方法,以提高训练数据集质量并改善完全监督的 VIS 方法性能。通过整合掩码损失到 IDOL-BoxInst 中,我们的 PM-VIS 模型在实例掩码预测方面表现出较强能力,在 YouTube-VIS 2019、YouTube-VIS 2021 和 OVIS 验证集上取得了最新的最佳性能,显著缩小了基于框监督和完全监督的 VIS 方法之间的差距。
Apr, 2024
使用边界框监督,以结构化 teacher 模型为指导,共同学习实例分割和语义对应的 DiscoBox 框架,同时又能为密集对比学习提供正 / 负的对应对,用以监督网络任务实现物体掩模细化和类内对象间的密集对应,并取得了和有监督方法相当的 37.0% 的 COCO 实例分割性能和最新的 PASCAL VOC12 以及 PF-PASCAL 的最高弱监督结果的实时推理。
May, 2021