CVPRAug, 2022

基于双层网络结构的遮挡感知实例分割

PDF
TL;DR通过 Bilayer 卷积网络和视觉 Transformer 对遮挡的目标进行建模，以同时检测遮挡物和部分遮挡实例，并使用遮挡物和遮挡实例查询将遮挡关系分离，从而实现图像实例分割。
image instance segmentationocclusionbilayer convolutional networkvision transformermask regression
发现论文，激发创造
  • 具有重叠双层的深度遮挡感知实例分割

    该研究提出了使用双重卷积神经网络（Bilayer Convolutional Network）对高度重叠的物体进行实例分割，特别是在存在遮挡情况时能够提高性能，并通过实验证明了其简洁性及有效性。

    Mar, 2021

  • 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

  • 关于多对象遮挡的鲁棒实例分割推理

    本研究提出了一种采用深度神经网络进行多对象实例分割的方法，该方法能够通过 bounding box 监督训练，具有鲁棒性并能处理复杂场景中的遮挡问题，从而提高图像分类精度。

    Dec, 2020

  • 目标边界引导的语义分割

    本文介绍了一种名为 OBG-FCN 的全卷积神经网络，它能够利用物体边界信息以完成更为精细的语义分割，其在 PASCAL VOC 分割基准测试上得到了显著的优化。

    Mar, 2016

  • 通过分层实现密集重叠对象的实例分割

    本文提出了一种用于解决实例分割问题的新方法，即通过对象分层实现，通过将重叠的对象分组到不同的层中，可以轻松分离实例并获得竞争性的结果。

    Oct, 2022

  • 遮挡共享和特征分离网络用于遮挡关系推理

    我们提出了一种基于卷积神经网络的 Occlusion-shared and Feature-separated Network (OFNet) 来进行物体分割的任务，在理解和处理欠遮挡和遮挡物体的关系方面，该网络在 PIOD 和 BSDS ownership 数据集上取得了显著的性能优势。

    Aug, 2019

  • 看见万物背后：将语义分割扩展至被遮挡的区域

    本文利用深度学习网络结构，使用单个深度图像为输入，实现了语义分割中对可见和遮挡物体及其部分的类型预测，将语义类别进一步细分为背景和多个前景物体组，并改进了标准的交叉熵损失函数以适应这种情况，实验证明所提出的分类方法能够验证预测出被遮挡物体部分的语义类别，无需增加网络结构规模，其性能在由 SUNCG 数据集生成的新数据集上得到验证。

    Jun, 2019

  • 边界感知实例分割

    该论文介绍了一种基于距离变换的对象段表示方法和基于残差解卷积结构的对象掩码网络，实现了跨越边界框的对象分割；并将其整合到一个多任务网络级联框架中，学习了最终二进制对象掩码。实验表明，这种方法在目标生成和实例分割方面优于现有的技术。

    Dec, 2016

  • TernausNetV2：全卷积网络用于实例分割

    本研究提出了一种名为 TernausNetV2 的简单卷积神经网络，可以从高分辨率卫星图像中提取物体的实例级信息，具有应用于语义分割和实例分割任务的普适性，通过扩展视觉到更广泛的光谱范围中实现转移学习，实现了在 DeepGlobe-CVPR 2018 建筑检测子挑战中优越的性能。

    Jun, 2018

  • 双向图推理网络用于全景分割

    通过在传统的全景分割网络中引入图形结构来挖掘前景物体和背景物体类别内的模块内部和模块间关系，进而建立单一的 end-to-end 网络，以实现对图像的整体理解。该模型 (BGRNet) 在 COCO 和 ADE20K 全景分割基准中实现了新的最先进性能。

    Apr, 2020