通过误差校正的玻璃分割网络
借鉴比例整合策略和改良方法,我们提出了一种全新的名为 MGNet 的网络,它包括一个 Fine-Rescaling 和 Merging 模块(FRM)来提高提取空间关系的能力,一个 Primary Prediction Guiding 模块(PPG)来更好地从融合后的特征中挖掘剩余语义,并且我们使用一种新的带有不确定性感知损失的损失函数来监督模型生成高置信度的分割地图。与现有的必须在不同设置下训练的玻璃分割模型不同,我们的模型在统一设置下训练,并在三个流行的公共数据集上取得了卓越的性能。可在指定链接获取代码。
Feb, 2024
本文提出使用增强边缘学习来解决玻璃之类物品的分割问题。通过引入新的微调差分模块和边缘感知点基图卷积网络模块,该方法能够轻松嵌入到各种分割模型中,实现较高的分割精度和清晰度
Mar, 2021
Meta AI Research 发布了基于超过 10 亿掩模的大型分割数据集训练的 SAM 模型,尽管 SAM 在诸多领域具备强大的能力,但我们的经验评估表明该模型存在在透明物体场景中无法检测的问题。特别是在含有各种形式的玻璃的安全关键情况下,部署 SAM 可能存在风险。
Apr, 2023
通过使用视觉基础模型,我们提出了一个名为 GEM 的简单玻璃表面分割器,该分割器能够自适应地识别玻璃表面特征,并在 GSD-S 验证集上达到了新的最佳性能(IoU+2.1%)。
Jan, 2024
本文提出了一种基于深度学习和语义分割的方法,利用分离的内部 - 外部边界注意力模块,从单色图像中学习和选择性地集成玻璃表面的内部和外部区域的视觉特征,以检测玻璃表面,取得了与其他先进方法相媲美的结果。
Jul, 2023
本文提出了选择性互动进化(SME)模块,并引入了结构化精细的细化(SAR)模块和反向演化的特征进化网络(RFENet),成功地实现了玻璃样的物体分割,性能优于三个公共数据集。
Jul, 2023
本研究提出了一种基于内存的端到端分割网络(MemSeg),该网络引入了人工模拟的异常样本和记忆样本以辅助网络的学习。经过实验验证,该方法在检测工业产品表面缺陷方面取得了最先进的性能。
May, 2022
通过提出的 Fourier Boundary Features Network with Wider Catchers (FBWC) 方法,有效利用主要的玻璃语义信息来引导细粒度分割边界,从而清晰划定玻璃所建立的边界,避免将反射表面的特征错误地提取为误报信息,经验证在三种不同的公开玻璃分割数据集上,该方法相比于现有方法在玻璃图像分割方面具有更好的性能。
May, 2024
我们提出了一种名为 Sandglasset 的自注意力网络,它采用多粒度特征,成功地提高了语音分离性能,与先前最先进结果相比,模型更小,计算成本更低,且在两个基准语音分离数据集上都表现出最佳结果。
Mar, 2021