自训练全景分割

Nov, 2023

Self-trained Panoptic Segmentation

Shourya Verma

TL;DR通过自学习方法在合成到真实的领域适应问题设置中，开发了一个基于嵌入的自学习全景分割框架。

Abstract

panoptic segmentation is an important computer vision task which combines semantic and instance segmentation. It plays a crucial role in domains of medical image analysis, self-driving vehicles, and robotics by p

panoptic segmentation self-supervised learning synthetic-to-real domain adaptation instance segmentation semantic segmentation

发现论文，激发创造

全景分割

本文提出并研究了一项称为全景分割的任务，该任务将语义分割和实例分割两个任务统一起来，提出了新型的评估指标，并进行了全面的研究。

Jan, 2018

大规模 LiDAR 点云中精确实例分割的研究

研究通过聚类策略和点嵌入来改进全景分割的实例分割步骤，以解决同一个语义类别附近实例分割的挑战，实验证明该策略的有效性和多样性。

Jul, 2023

全景分割端到端网络

该论文提出了一种新型的端对端网络，能够高效地预测实例和物体分割，并引入了一种新的空间排名模块以处理预测实例之间的遮挡问题。在 COCO Panoptic 基准测试上取得了可喜的成果。

Mar, 2019

图像和视频全景分割的通用框架

本研究利用基于模拟比特的扩散模型来解决全景分割任务中高维的一对多映射，通过添加过去的预测作为信息输入，能够对视频中的对象实例进行跟踪并自动学习，在各项实验中与现有的专业方法相比表现出了竞争性。

Oct, 2022

自动驾驶全景分割鲁棒性的基准测试

准确的情景感知对于辅助和自动驾驶功能 (AAD) 的安全决策至关重要。全景分割是一种有前景的感知技术，可以在像素级别上识别和分类对象、潜在危险和可驾驶空间。本研究提出了一个统一的流程，评估全景分割模型在 AAD 中的鲁棒性，并将其与传统图像质量进行相关联。

Feb, 2024

视频全景分割

本文提出了一种名为 Video Panoptic Segmentation 的新型视觉识别任务，同时提出了两个视频全景数据集，以及一种 VPSNet 网络，在 VPQ 度量下，在 Cityscapes-VPS 和 VIPER 数据集上实现了最先进的结果。

Jun, 2020

自训练方式提升语义分割

本文提出了一种半监督学习的方法，即自我训练范式，通过用标注数据训练教师模型并在大量未标注数据上生成伪标签，以较少的监督实现像素级准确模型，并在 Cityscapes，CamVid 和 KITTI 数据集上取得了最优表现，同时，在具有挑战性的跨域泛化任务上表现更佳，最后，为了减轻大量伪标签带来的计算负担，提出了一种快速训练计划来加速分割模型的训练。

Apr, 2020

跨视角规范化用于领域自适应全景分割

本文介绍了一种基于域适应的全景分割网络，利用了样式内一致性和任务间正则化，实现了优异的全景分割表现，相关实验结果优于现有技术。

Mar, 2021

深度感知全景分割

基于 RGB 图像和深度图像的全景分割的新方法；通过使用所观察场景的 3D 几何信息，减少错误合并为一个事物实例的对象数量，提高全景质量。

Mar, 2024

全景式深度实验室

Panoptic-DeepLab 采取了双重 ASPP 和双重解码器结构，实现了单次扫描的全景分割，并在 Cityscapes 和 Mapillary Vistas 数据集上取得了最新的最优结果。

Oct, 2019