本研究提出了 Part-aware Panoptic Segmentation（PPS）这个新的场景理解任务，旨在多层次把场景理解和部件理解统一起来，并提出了一种新的评估指标，即 Part-aware Panoptic Quality（PartPQ），通过在两个常用数据集上进行一致的注释，比较了现有的几种方法在该任务上的表现，实验结果证实了任务的有效性及多层次抽象的重要性。

Jun, 2021

该研究提出了一种名为 Panoptic-PartFormer 的端到端统一框架，结合了全景与部件分割这两个任务，并在此基础上提出了一种新的衡量标准 Part-Whole Quality，同时引入了一种掩膜交叉注意力机制以进一步提高部分分割质量。

Jan, 2023

本文旨在设计首个端到端的统一方法 Panoptic-PartFormer，通过模型事物、材料和部分作为对象查询直接学习统一的掩模预测和分类问题，设计解耦解码器分别生成部分特征和物体 / 材料特征，并提出同时和迭代地利用所有查询和相应特征进行推理。该模型在 Cityscapes PPS 和 Pascal Context PPS 数据集上实现了新的最先进结果，与 ResNet50 骨干和 Swin Transformer 相结合在 Pascal Context PPS 数据集上实现了 10％的改进，并取得了至少 70％GFlops 和 50％参数减少。

Apr, 2022

通过使用一组共享的查询，我们提出了任务对齐的部分感知全景分割 (TAPPS) 方法，用于共同预测对象级别的分割以及这些对象内的部分级别分割，从而将学习目标与任务目标对齐，在全景分割任务中取得了新的最先进结果。

Jun, 2024

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

提出了一种用于全景分割的单一网络方法，该方法将联合训练的语义分割和实例分割网络的预测结果结合起来使用启发式方法，通过对 ResNet-50 特征提取器的共享来加快训练速度并提高内存效率，并使用 Mask R-CNN 类型的架构进行实例分割和增加 Pyramid Pooling 模块进行语义分割。在 COCO 和 Mapillary 联合识别挑战赛 2018 中，我们的方法在 Mapillary Vistas 验证集上获得了 17.6 的 PQ 分数，在 COCO 测试开发集上获得了 27.2 的 PQ 分数。

Sep, 2018

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

该研究提出了一种基于全卷积神经网络和条件随机场的联合框架，旨在同步解决人体姿态估计和语义部位分割问题，并在 PASCAL VOC 数据集上进行了广泛实验，显示该算法在这两个任务上均优于竞争方法。

Aug, 2017

本文提出了一种用于全景分割的深度神经网络，将语义分割与实例分割任务联合起来，从而在单次计算中为输入图像的每个像素提供类标签和唯一对象标识符，并且通过增强信息共享和合并启发式方法，单个网络的性能提高，如在 Cityscapes 上可获得 45.9 的 PQ 分数。

Feb, 2019

本文提出了一种同时处理语义对象和部件分割的联合解决方案，其中提供了更高级的对象级上下文来引导部件分割，并利用更详细的部件级定位来改进对象分割。所提出的方法在三个不同的数据集上进行了广泛的评估，证明它可以相互增强对象和部件分割的性能，并在两个任务上都优于现有技术水平。

May, 2015