本文提出一种基于神经网络的半监督视频目标分割技术,能够在保证处理速度的前提下提升目标分割的效果。
Nov, 2016
通过建立大规模视频目标修复基准数据集与新的 VOIN 技术将视频对象形状完成和遮挡纹理生成相结合,本论文提出了一种面向对象和遮挡感知的视频修复方法,致力于准确还原大尺度遮挡对象区域的形状和外观。
Aug, 2021
本论文提出了一种视频目标分割 (VOS) 的新的一次性训练框架,只需要一个标记的帧来训练,并适用于大多数最先进的 VOS 网络。通过双向训练,我们得到了一个令人满意的 VOS 网络,仅使用了 YouTube-VOS 和 DAVIS 数据集的一个标记的帧,达到了与完全标记的数据集训练的结果相当的效果。
May, 2024
本文提出了一种基于深度学习的视频物体移除网络(VORNet),该方法通过结合光流修补和基于图像修补模型的方法,在时空上保持稳定性,对生成的视频进行了客观和主观评估,结果表明与现有方法相比,我们的 VORNet 在时空上生成了更加稳定的视频。
Apr, 2019
该论文利用全卷积神经网络架构,基于 ImageNet 上学习的通用语义信息,结合单个对象的外观学习,实现了半监督的视频对象分割,提高了结果的精度和效率。
Sep, 2017
这篇论文提出了一种基于全局、基于补丁的功能的自动视频修复算法,可以处理动态纹理、多个移动对象和移动背景等挑战情况,并在执行时间方面比现有技术快一个数量级。最终的算法不需要分割或手动输入,只需要定义修复遮罩即可,并且能够处理比以前的工作更广泛的情况。
Mar, 2015
通过深度学习,对于图像和视频修复的基于深度学习的方法进行综合评述,并从高水平的修复流程、深度学习架构、模块设计等多个角度进行分类总结。同时,讨论了训练目标、常见基准数据集、评估指标以及各修复方法的优势、局限性及实际应用,并探讨了公开挑战和未来可能的研究方向。
Jan, 2024
本研究提出了一种端到端的深度神经网络,结合了 Mask-RCNN 实例分割网络和 Conv-GRU 视觉记忆模块,用于解决半监督视频对象分割任务,实验结果表明该方法在 DAVIS 数据集上取得了令人满意的结果。
Sep, 2019
该研究提出了一种新的、自动化的视频物体分割方法,通过集成一种可区分的少量样本学习模块,提高了分割精度,实现了当前 YouTube-VOS 2018 数据集的最新最佳分数,并使相对改进率达到了 2.6%以上。
Mar, 2020
本文提出了一种新颖的视频修复方法,使用 Deep Flow Completion 网络综合光流场来引导像素填充,从而保证了视频内容的时空连贯性,并在 DAVIS 和 YouTube-VOS 数据集上取得了最优的修复质量和速度。
May, 2019