May, 2023

用归纳图神经网络进行移动目标分割

PDF
TL;DR本研究提出一种基于图神经网络的算法，名为 Graph Inductive Moving Object Segmentation (GraphIMOS), 解决了电脑视觉中的运动对象分割问题。算法可以在新添加的数据帧上执行预测，并在真实世界应用中超越了以前的归纳学习方法和所有以前的传导技术。该算法使得以图为基础的 MOS 模型能够应用于真实世界中的应用。
moving object segmentationcomputer visiongraph neural networkinductive learningreal-world applications
发现论文，激发创造
  • 医学图像中的普适运动目标分割基础模型

    提出了第一个用于医学图像中运动目标分割的基础模型 iMOS，通过对序列中少量图像进行注释，实现双向的运动目标跟踪和分割性能，旨在加快专家的标注速度，推动医学基础模型的发展。

    Sep, 2023

  • 基于神经形态学视觉的图形转换神经网络的运动分割

    提出了一种使用图转换神经网络的新型基于事件的运动分割算法，用于处理事件流以揭示事件之间的局部和全局时空相关性，并在没有先验知识的情况下从背景中分割出移动对象。通过在公开可用的数据集上进行训练，并使用动态物体掩膜感知事件标签生成方法生成近似的地面真值标签，该算法在多个未见数据集上进行了严格实验，结果显示在动态背景变化、运动模式和多个不同大小和速度的动态物体存在的情况下，GTNN 的表现优于其他方法，平均运动分割精度 (IoU%) 和检测率 (DR%) 相应增加了 9.4% 和 4.5%。

    Apr, 2024

  • MF-MOS: 一种用于移动物体分割的动态模型

    提出了一种新颖的以运动为重点的模型，利用残差图和视域图来实现 LiDAR 运动物体分割，取得了当前最先进的性能表现。

    Jan, 2024

  • 通过关注图神经网络进行零样本视频物体分割

    提出了一种新的关注图神经网络 (AGNN)，用于零样本视频对象分割 (ZVOS)。所提出的 AGNN 将此任务作为视频图上迭代信息融合的过程。通过参数化消息传递，AGNN 能够有效地捕捉和挖掘视频帧之间更丰富和更高阶的关系，因此实现更全面的视频内容理解和更准确的前景估计。扩展 AGNN 到另一个任务时，我们进一步证明了我们的框架的通用性。广泛的实验验证了 AGNN 能够学习视频帧或相关图像之间的潜在语义 / 外观关系，并发现共同的对象。

    Jan, 2020

  • GMNN: 图马尔可夫神经网络

    本研究提出了 Graph Markov Neural Network (GMNN) 模型，将统计关系学习和图神经网络的优势相结合，通过有条件随机场建模对象标签的联合分布，并利用变分 EM 算法进行有效训练，在目标分类、链接分类和无监督节点表示学习等任务中实现了最先进的结果。

    May, 2019

  • 学习移动物体的分割

    本文提出了一种基于神经网络的视频分割方法，用于区分视频帧中独立运动的物体，并利用对象运动、外观和时间一致性等多个信息源，通过对数据进行训练得到模型，经过评估表明该模型在 DAVIS、Freiburg-Berkeley 运动分割数据集和 SegTrack 等数据集上表现良好。

    Dec, 2017

  • 用图神经网络实现联合目标检测和多目标跟踪

    本研究提出一种基于图神经网络的联合多目标跟踪方法，通过优化检测和数据关联模块，兼顾准确性和运行效率，成功在多个 MOT 数据集上实现了最先进的性能表现。

    Jun, 2020

  • 基于图谱谱聚类的事件视觉移动物体检测

    本文提出了一种基于图谱谱聚类技术的无监督运动目标检测方法，可在事件数据中有效地检测运动目标。实验结果显示，该算法在公开数据集中的性能优于多种最先进的技术。

    Sep, 2021

  • DSEC-MOS: 使用运动自车分割任何运动物体

    本研究提出了一种新的数据集 DSEC-MOS，用于解决现有运动目标分割数据集中缺乏提高动态场景理解的事件信息的问题，该数据集包含 16 个序列和 13314 张图像，并利用大型模型 SAM 和事件数据生成准确的分割掩码注释。

    Apr, 2023

  • 跨图元算归纳节点分类

    本文介绍了一种名为 MI-GNN 的基于元学习范式的元 + 归纳框架，以定制归纳模型以适应每个图表的方法。 MI-GNN 在图和任务级别上都采用双适应机制，对来自同一领域内不同的图表进行自适应，提高了半监督节点分类的性能。

    May, 2021