DynaMITe: 多对象交互分割转换器的动态查询引导

Apr, 2023

DynaMITe: 多对象交互分割转换器的动态查询引导

DynaMITe: Dynamic Query Bootstrapping for Multi-object Interactive Segmentation Transformer

Amit Kumar Rana, Sabarinath Mahadevan, Alexander Hermans, Bastian Leibe

TL;DRDynaMITe 是一种更有效率的交互式分割网络方法，采用 Transform 器解码器将用户交互表示为时空查询，从而在单个迭代中分割多个目标实例，不需要重新计算图像特征，可在较少的交互次数下在单个图像中分割多个实例，并在多个现有互动分割基准测试中以及我们提出的新的多实例基准测试中实现了最新的结果。

Abstract

Most state-of-the-art instance segmentation methods rely on large amounts of pixel-precise ground-truth annotations for training, which are expensive to create. interactive segmentation networks help generate suc

instance segmentation interactive segmentation networks transformer decoder multi-instance benchmark state-of-the-art results

发现论文，激发创造

从示例中学习进行交互式图像分割

我们介绍了交互式图像分割框架，用于提取单个目标和相同类别中的多个目标的满意掩码。通过利用 Transformer 骨干网络从图像和交互中提取特征，我们的模型能够达到比以前方法更好的性能，减少用户的劳动量并具备灵活和实用的注释工具的潜力。

Jun, 2024

交互式分割达到 99% 精度

本文提出了一种新的交互式架构和训练方案，旨在更好地利用用户工作流，并展示出引入专门设计用于复杂对象边界的合成训练数据集可以进一步获得显着的改进，该网络达到了最先进性能。

Mar, 2020

迭代训练的交互分割

本研究提出一种基于迭代式训练策略的交互式对象分割系统，利用用户输入的 clicks 作为卷积网络的输入，相较于现有的启发式 click 采样策略，本方法取得了更优的分割结果。

May, 2018

DynaMask: 实例分割的动态掩模选择

本研究提出一种实例分割方法 DynMask，采用自适应特征聚合的双层特征金字塔网络和可切换的掩模模块，以实现在维持高分割精度的同时高效地处理大量对象提议，并在计算效率和分割精度方面显著优于其他现有方法。

Mar, 2023

DQ-Det：基于 Transformer 的物体检测与分割的学习动态查询组合

使用基于 Transformer 的检测和分割方法，学习检测查询列表以从变压器网络中检索信息，并学习预测每个查询中一个特定对象的位置和类别。通过学习基于图像的高层语义的动态系数的凸组合的方式，生成的动态查询更好地捕获不同图像中对象位置和类别的先验信息。利用我们的模态查询，一系列基于 DETR 的模型在多个任务中实现了一致且优秀的性能，包括物体检测，实例分割，全景分割和视频实例分割。

Jul, 2023

DyStaB: 动静态自举无监督物体分割

本文提出了一种无监督方法来检测和分割动态图像中的物体，通过深度神经网络将静态和动态模型进行训练，实现了物体的无监督分割和持续性学习。

Aug, 2020

利用部分标记的数据进行多器官和肿瘤分割的学习

提出了一种基于 Transformer 模型的多动态分割网络 TransDoDNet，在多个部分标记的数据集上学习器官和肿瘤的分割，并创造了一个大规模的部分标记的多器官和肿瘤分割基准 MOTS，结果表明 TransDoDNet 在七项器官和肿瘤分割任务中性能优异。

Nov, 2022

跨模态视觉转换器的交互式图像分割

本研究提出一种交互式图像分割网络，利用跨模态视觉 transformers 来更好地指导学习过程，并且在多个基准测试中实现了优越的性能表现，具有实用的注释工具潜力。

Jul, 2023

DynaSeg：一个融合特征相似性和空间连续性的无监督图像分割的深度动态融合方法

我们的工作解决了计算机视觉中图像分割的基本挑战，提出了一种增强的无监督卷积神经网络算法 DynaSeg，通过自动化参数调整来灵活适应图像细节，并通过引入 Silhouette Score Phase 解决了动态聚类的挑战，同时整合了 CNN-based 和预训练的 ResNet 特征提取，取得了在多个数据集上的最先进结果，相对于 COCO-All 和 COCO-Stuff 当前基准分别提高了 12.2% 和 14.12%，该方法消除了对细致的参数调整的需求，解决了实际场景中可扩展性的问题。

May, 2024

DynaST：用于范例引导图像生成的动态稀疏转换器

通过引入动态稀疏注意力机制的 Transformer 模型，本文提出了一种对样本指导图像生成进行 fine-level 匹配的方法，旨在提升匹配效果与计算效率。该方法在有监督和无监督场景下均可生成视觉上令人满意的图像，并在人物姿势生成、人脸细节合成和图像样式迁移等应用上表现出了显著的优越性。

Jul, 2022