通过学习超分割和迭代搜索来拟合紧密边界框的分离、合并和优化
本文提出了一种基于全局约束的弱监督学习分割方法,通过引入严格的拘束和强大的拓扑先验,使得网络输出被限制在一个更准确的区域内,实验结果表明该方法在前列腺和脑病变等应用场景下具有很高的准确性。
Apr, 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 DeepCut 算法,使用神经网络分类器和 CRF 条件随机场以及弱监督技术,从带有边界框标注的图像数据集中训练对象分割模型,取得了在胎儿磁共振图像数据集的脑和肺分割问题上具有良好精度的结果。
May, 2016
该论文提出了一种将几何形状转化为分层分割部件的方法,并使用 “场景图” 和 “部件名称” 建立类别特定模型来训练和分割 3D 形状,最终完成对几何和部件之间的可视化分层和标记,实现了对物体和它们所包含的部分的分层和标记的应用。
May, 2017
本文提出了一种使用单张图片进行三维目标检测与姿态估计的方法,通过使用深度卷积神经网络来回归相对稳定的三维目标属性,并使用二维边界框提供的几何约束来组合这些估计,从而产生完整的三维边界框。
Dec, 2016
本文提出了一种名为 LooseCut 的新算法,采用 Markov Random Fields 模型,可以处理输入包含前景目标的边界框不太紧的情况,并通过迭代最大流算法解决该模型。LooseCut 可用于增强无监督视频分割和图像显着性检测性能,并在三个公开的图像数据集中表现良好。
Jul, 2015
本研究通过引入两种新的边界框回归网络(inception 和 deformable)来在目标检测中提高定位准确性,并在多个基准测试中取得了优于现有方法的表现。
May, 2024
本文提出了一种无监督形状抽象方法,将点云转换为紧凑的长方体表示,并以分割和长方体形状的联合预测为抽象任务,以自学习的方式加强分割和形状抽象之间的一致性,该方法不需要手动注释点云中的零件。本文通过几种形状集的评估,证明了该方法优于现有的形状抽象方法,支持结构形状生成、形状插值和结构形状聚类等各种应用。
Jun, 2021
3D-BoNet 是一个新颖的、简单易懂且通用的网络,可在 3D 点云上实现实例分割。该网络由骨干网和两个并行支路(边界框回归和点掩码预测)组成,并在保持端到端训练的同时,直接回归点云中所有实例的 3D 边界框和每个实例的点级掩码。实验表明,相比现有方法,该方法不仅在 ScanNet 和 S3DIS 数据集上的表现更优,而且计算效率提高了约 10 倍,并且该算法的设计是有效的。
Jun, 2019