Dec, 2023

野外环境下的无偏实态和补全

PDF
TL;DR我们研究的问题是不完全图像分割：预测包括可见和不可见（被遮挡）部分的完整对象分割掩膜。我们使用 3D 数据构建了一个自动管道来确定真实的部分遮挡对象的不完全真值分割掩膜，并通过两种架构变体探索了在野外处理不完全完成任务的方法。我们的方法在包括 COCOA 和我们的新 MP3D-Amodal 数据集在内的不完全分割数据集上取得了最新的最好性能。
amodal image segmentationoccluded objects3d dataamodal completionstate-of-the-art performance
发现论文，激发创造
  • 通过渐进混合上下文扩散实现非模态完成

    我们的方法通过在物体边界框外使用其上下文来指导预训练的扩散修复模型，逐步扩展遮挡物体并修剪额外背景，从而克服了两个技术挑战，并在众多成功的修复情况中展现了改进的照片级修复结果。

    Dec, 2023

  • 无关视角实体分割

    本文提出并验证了一种基于标准模态实例分割注释来训练模型进行非模态实例分割的新方法。同时定性和定量证明了该方法的有效性。

    Apr, 2016

  • 基于贝叶斯模型的任务外和分布外推广实现的遮挡分割

    本文探讨了利用贝叶斯模型解决神经网络中的物体分割模糊出界问题，通过利用对象的背景和形状作为先验知识来实现模型对训练任务标签的超出范围的推理，并通过应用异常值处理技术来推广到部分被遮挡的对象并预测其模态对象边界。

    Oct, 2020

  • 感知无形：无需提案的全视野不论提取分割

    本文提出了一种无需预测提议、将 amodal mask 分配到不同层级、通过在每一层独立地进行 amodal 实例回归来预测交通参与者及其语义标签的 proposal-free 多标签多类别无缝分割网络，并采用共享骨干和不对称双解码器的 et 架构以及 amodal mask refiner，其在 BDD100K-APS 和 KITTI-360-APS 数据集上的测试表明超越了现有技术水平。

    May, 2022

  • 语义无关模态分割

    本文从视觉识别入手，通过提出一种新的图像标注方式 —— 语义全场景标注，捕获了更全面的图像信息并创建了两个新的数据集来提高模型提取信息的准确性和效率。

    Sep, 2015

  • 非模态追踪任意物体

    通过引入 TAO-Amodal 基准测试数据集，并利用轻量级插件模块，amodal 扩展器，通过数据增强和少量视频序列的微调，我们在 TAO-Amodal 上分别实现了 3.3％和 1.6％对遮挡物体的检测和跟踪改善，并在人物方面相较于现有模态基线实现了巨大 2 倍的改进。

    Dec, 2023

  • 自然场景中的无关填补和大小恒常性

    本文主要探讨了利用物体识别和大数据集来解决单景深图像中物体检测系统缺乏尺寸和深度数据的问题，并通过引入 amodal 边界框完成任务、建立类别特定的物体尺寸分布模型和利用场景识别技术进行焦距推测的方法，在实际场景中取得了一定的成果。

    Sep, 2015

  • BLADE：通过定向扩展进行盒级有监督非凡感分割

    基于可见掩码的有向扩展方法，通过引入重叠区域的连接损失，实现了精确的遮挡物体完整分割。

    Jan, 2024

  • 学习看见不可见的：端到端可训练的平均实例分割

    本文提出了第一个全新的端到端可训练模型，为语义无模态分割预测非实例的遮挡区域，实验结果表明，本模型选择的架构有助于无模态分割，并在 COCO 无模态数据及两个新数据集上均提供了强大的基础性能。

    Apr, 2018

  • 非物体的全景分割

    提出一种名为 amodal panoptic segmentation 的任务，旨在同时预测 stuff 类可见区域的像素级别语义分割标签和 thing 类可见区域以及遮挡区域的实例分割标签。扩展两个基准数据集以便研究新任务，在公开可用的 KITTI-360-APS 和 BDD100K-APS 中提供像素级别的 amodal panoptic 分割标签。提出了 APSNet 模型，它显式地建模了遮挡物和被遮挡物的复杂关系。在两个基准测试上达到了最先进的性能。

    Feb, 2022