Sep, 2022

使用自监督 Transformer 和归一化割分割图像和视频中的对象

PDF
TL;DR本研究采用基于图形的算法，通过利用自我监督变压器获得的特征来检测和分割图像和视频中的显着对象，并最终通过经典的归一化割算法解决检测和分割问题，并在多个常见的图像和视频检测和分割任务中实现了最新的结果。
graph-based algorithmself-supervised transformersalient objectsdetectionsegmentation
发现论文，激发创造
  • 使用归一化切割的自监督 Transformers 进行无监督目标发现

    本文提出了一种基于自监督学习训练的 Transformer 模型特征的基于图的对象发现方法，在图中进行规范化的图割以分组具有相似性区域的前景物体。该方法可以显著提高无监督对象发现的性能，也可以扩展到无监督凸显性检测和弱监督对象检测领域。

    Feb, 2022

  • LOCATE：基于流引导图割和自主引导自训练的自监督目标发现

    利用动态信息和外观信息，我们提出了一种自我监督的目标发现方法，该方法能够生成高质量的目标分割遮罩，并在多个基准测试中取得与现有方法相媲美甚至超越的结果。

    Aug, 2023

  • 面向组群分割的统一 Transformer 框架：协同分割，共同显著性检测和视频显著对象检测

    该论文提出了一个名为 UFO 的统一框架，通过引入自注意机制和内部 MLP 学习模块，结合图像的空间信息和特征相似性，实现了针对协同分割、协同显著性检测和视频显著性对象检测的多任务单一网络架构，实验结果表明，该方法在精度和速度方面均优于现有方法。

    Mar, 2022

  • 基于补丁的深度无监督图像分割使用图割

    本研究提出了一种基于图像块的无监督图像分割策略，将深度聚类方法中无监督特征提取的进展与经典基于图形的方法的算法帮助相结合。我们展示了一个简单的卷积神经网络，通过使用图割来迭代地正则化图像块的分类，从而自然地实现了最先进的全卷积无监督像素级分割器。此外，我们证明了这是利用由视觉变换器模型生成的图像块级别对偶特征的理想场景。我们在真实图像数据上的结果证明了我们提出方法的有效性。

    Nov, 2023

  • CuVLER：通过详尽的自我监督变换增强无监督对象发现

    通过 VoteCut 和 CuVLER 方法，在多个无监督设置中，利用多个自我监督模型的特征表示进行归一化切割、聚类和像素投票，实现了显著的改进，为图像分割领域的未来发展铺平了道路。

    Mar, 2024

  • DeepCut：基于图神经网络聚类的无监督分割

    该研究提出了一种基于图神经网络的图像分割方法，相较于现有方法可以隐式地完成部件语义分割，用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。

    Dec, 2022

  • 通过扩散特征上的递归规范化切割实现零样本图像分割

    利用扩散 UNet 编码器和 DiffCut 方法，本研究在无监督零样本分割任务中对基于图的分割算法进行改进，显著优于现有的先进方法。

    Jun, 2024

  • 室内场景的联合几何与物体分割

    该论文介绍了一种名为 SceneCut 的新方法，它使用单个 RGB-D 图像联合推理场景语义和几何学，从而使机器人能够在现代基于深度学习的方法在分离对象实例方面失败或在训练期间未见过的对象上失败的复杂场景中检测和分割对象实例。我们评估了 SceneCut 在几个不同的室内环境中，结果表明 SceneCut 显著优于所有现有的方法。

    Sep, 2017

  • 无监督物体检测和实例分割的切割学习

    提出了一种名为 Cut-and-LEaRn（CutLER）的简单方法，以训练无监督的物体检测和分割模型，它首先使用所提出的 MaskCut 方法生成图像中多个对象的粗略蒙版，然后在这些蒙版上学习检测器，最后通过对模型的预测进行自我训练实现零样本无监督检测，大幅提升检测性能。

    Jan, 2023

  • 自监督剪切与粘贴生成对抗网络用于物体分割

    本文提出了一种基于自监督的 Cut-and-Paste GAN 方法，可以在不需要手动注释标记的情况下进行前景对象分割和生成逼真的合成图像，并且采用了 U-Net 判别器，通过伪标签学习语义和结构信息来扩展标准判别器的能力。实验结果表明，该方法显著优于标准基准数据集上的现有方法。

    Jan, 2023