Nov, 2023

从合成动物学习零件分割

PDF
TL;DR从合成动物数据集学习语义部分分割，提出了具有更广泛的姿态多样性的合成动物数据集和适应方法，通过频谱混合和类平衡方法改进了现有的领域自适应方法，在 PartImageNet 上验证了该方法的有效性，并展示了合成虎和马的学习部分在所有四足动物上的可传递性。
semantic part segmentationsynthetic animal partssynrealpartclass-balanced fourier data mixinganimal part segmentation
发现论文，激发创造
  • 学习自合成动物

    使用合成图像和 CAD 动物模型生成的真值，使用提出的一种新颖的一致性约束半监督学习方法进行高度可变形的动物关键点预测。

    Dec, 2019

  • 组合形状和外貌的组合模型进行语义部件分割

    本文研究了动物语义部分分割问题，提出了一种混合组成模型，将边缘、外观和语义部分提示纳入模型，通过特定动物类别的多角度和姿态条件下的组成模型混合，实现了线性时间复杂度的分割注释算法，并在新的 Pascal VOC 数据集上进行验证，结果表明该方法是有效的。

    Dec, 2014

  • 基于姿态的多人部位分割的跨域互补学习

    本文提出了一种无需使用人工注释标签，仅仅利用丰富真实数据和易获得合成数据标签的方法，通过姿态表示有效地建立了合成和真实域之间的桥梁，以学习在真实图像上进行多人身体部位分割的方法，并显示该方法表现出与需人工标注标签的现有方法可媲美的效果。

    Jul, 2019

  • 通过从合成车辆的无监督域自适应学习部件分割

    本文提出使用无监督领域自适应 (UDA) 从合成数据学习部件分割的想法，并介绍了一种针对车辆的综合部件分割数据集 UDA-Part，然后提出一种新的 UDA 算法，利用物体的空间结构来指导适应过程，实验结果证实我们的方法优于现有方法，并展示了从合成数据学习部件分割的前景，本数据集将有助于在该领域推进研究。

    Mar, 2021

  • 从合成到真实：用于动物姿态估计的无监督域适应

    本文提出了一种基于多尺度领域自适应模型以及一种在线粗到细的伪标签更新策略的方法来解决动物姿势估计中标签不足的问题，并在未见过的领域和未见过的动物类别上进行了广泛测试，取得了还不错的实验效果。

    Mar, 2021

  • 迈向基于开放世界的零件分割

    本文提出了一种利用无类别部件分割来减少标注难度并能适用于未知目标的部件分割方法，并通过对象感知性和自监督学习的方式对此进行了改进。

    May, 2023

  • 朝着使用合成数据集进行真实工业零件分类

    本文介绍了如何通过利用合成数据来有效地训练深度神经网络用于工业零件分类，特别是针对与实际图像之间的领域差异。通过引入一个合成数据集作为 Sim-to-Real 挑战的初步测试平台，其中包含了六个工业用例的 17 个物体，包括独立和组装部件，对形状和反射性非常相似的几个子集为工业部件的具有挑战性的案例进行了评估。通过研究五个最先进的深度网络模型（有监督和自监督）在仅使用合成数据进行训练但在真实数据上进行测试的性能基准测试，我们分析结果，得出利用合成数据进行工业零件分类以及进一步开发更大规模的合成数据集的可行性和挑战。我们的数据集和代码已经公开发布。

    Apr, 2024

  • 基于高层引导的语义部分分割深度学习

    本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。

    May, 2015

  • 基于姿态引导的弱监督和半监督人体部位解析的知识迁移

    本文提出一种利用人体关键点注释的方法生成合成数据，并利用这些数据进行半监督学习，进而提高人体语义部分分割准确率。在 PASCAL-Person-Part 数据集上，我们的方法优于强监督模型 6 mIOU，达到了最先进的人体分割结果。

    May, 2018

  • 神奇的动物在哪里找到它们：使用双重 SAM 分割任何海洋动物

    提出了一个名为 Dual-SAM 的新型特征学习框架，结合 Segment Anything Model (SAM) 的范例，通过多层次的耦合提示策略 (MCP) 和交叉连接预测范式 (C^3P) 来增强对海洋动物图像的特征学习和分割，提供了在海洋动物分割任务中新的高性能解决方案。

    Apr, 2024