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

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

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

高效 PS: 高效全景分割

本文介绍一种基于 EfficientPS 架构的自动机器人场景理解新方法，能够有效地实现交通参与者和场景语义实例识别，并提出了包含 KITTI panoptic segmentation 数据集的新领域，其通过在多个基准测试中进行广泛的评估证明具有领先的性能和最高效的速度。

Apr, 2020

Panoptic 分割的实例网络和语义分割集成

本文提出了解决 2019 年 COCO 全景分割任务的方法，结合了实例分割和语义分割，采用多种模型和策略，获取了最佳结果 $PQ$ 47.1。

Apr, 2023