AMICO:无框实例合成
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
我们的方法通过在物体边界框外使用其上下文来指导预训练的扩散修复模型,逐步扩展遮挡物体并修剪额外背景,从而克服了两个技术挑战,并在众多成功的修复情况中展现了改进的照片级修复结果。
Dec, 2023
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
本文主要探讨了利用物体识别和大数据集来解决单景深图像中物体检测系统缺乏尺寸和深度数据的问题,并通过引入 amodal 边界框完成任务、建立类别特定的物体尺寸分布模型和利用场景识别技术进行焦距推测的方法,在实际场景中取得了一定的成果。
Sep, 2015
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
通过扩散模型与累积遮蔽学习,我们引入了序列化的不定类目物体的分割,以便在密集的多层视觉场景中准确预测可见和遮挡区域,同时捕捉不可见区域的不确定性和再现被遮挡物体的复杂形状和遮挡顺序分布。
May, 2024
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