Jan, 2024

基于层次连贯建模的隐蔽物体分割

PDF
TL;DR本文提出了一种用于隐蔽物体分割的分层一致性建模器，以解决现有分割器在极度隐蔽场景中无法完全实现分割结果的问题。通过利用单一阶段和上下文级别的特征相关性，HCM 分割器在提升特征一致性方面起到了积极作用。此外，引入可逆重新校准解码器，以检测低置信区域中先前未检测到的部分，进一步提高了分割性能。在包括伪装物体检测、息肉图像分割和透明物体检测在内的三个隐蔽物体分割任务上进行的大量实验证明了 HCM 分割器的良好效果。
concealed object segmentationhierarchical coherence modelingincomplete segmentation limitationfeature coherencereversible re-calibration decoder
发现论文，激发创造
  • 基于 SAM 伪标记和多尺度特征分组的弱监督隐蔽目标分割

    提出一种用于弱监督下的隐蔽物体分割的方法，利用多尺度特征分组模块处理内在相似性问题，并采用 Segment Anything Model 和基于熵的像素加权策略进行模型训练，同时应用基于熵的图像选择策略来减轻低质量分割蒙版的影响，实验证明该方法在各种 WSCOS 任务上取得了最先进的性能。

    May, 2023

  • 具有分离的客体性学习和类别识别的持续分割

    基于强大的目标性和防遗忘特性，我们提出了 CoMasTRe 方法，它将持续分割任务分为两个阶段，通过学习抗遗忘的目标性特征和经过良好研究的分类特征，采用简单但有效的蒸馏策略来强化目标性，并通过多标签类蒸馏策略减轻旧类别的遗忘，实验证明该方法在 PASCAL VOC 数据集上优于像素级和基于查询的方法。

    Mar, 2024

  • 开放词汇伪装物体分割

    最近，大规模视觉语言模型（VLM）的出现，如 CLIP，为开放世界的物体感知打开了道路。我们提出了一个新的任务，开放词汇伪装的物体分割（OVCOS），并构建了一个包含 11,483 个精选图像和细粒度注释的大规模复杂场景数据集（OVCamo）。通过集成类别语义知识的指导和依赖边缘和深度信息的视觉结构线索的补充，所提出的方法可以有效地捕捉伪装对象。此外，这个有效的框架在我们的 OVCamo 数据集上也超过了先前状态 - of-the-art 的开放词汇语义图像分割方法。借助提出的数据集和基线，我们希望这个具有更多实际价值的新任务能进一步扩展开放词汇密集预测任务的研究。

    Nov, 2023

  • 基于空间语义网络调制的深层物体共分割

    本文提出了一个空间和语义调制的深度网络框架，用于共同分割多个相关图像中的共享对象。该模型通过使用骨干网络提取多分辨率的图像特征，并通过非监督学习捕获图像特征描述符之间的相关性。使用监督图像分类任务来模拟语义调制器，并使用层次二次池化模块转换图像特征，以集中于共同对象区域的分割。结果表明，该模型在四个图像共分割基准数据集上的表现优于现有的最先进方法。

    Nov, 2019

  • 深度隐蔽场景理解的进展

    该研究论文综述了计算机视觉领域热门主题之一 —— 隐蔽场景理解的深度学习技术，并建立了两个大型数据集以推动该领域的发展。

    Apr, 2023

  • 面向组群分割的统一 Transformer 框架：协同分割，共同显著性检测和视频显著对象检测

    该论文提出了一个名为 UFO 的统一框架，通过引入自注意机制和内部 MLP 学习模块，结合图像的空间信息和特征相似性，实现了针对协同分割、协同显著性检测和视频显著性对象检测的多任务单一网络架构，实验结果表明，该方法在精度和速度方面均优于现有方法。

    Mar, 2022

  • 同时定位、分割和排列伪装物体

    本研究通过建立 Rank-Net 模型，结合 camouflaged object detection 技术和 conspicuousness 的概念，来探讨动物进化中的 Camouflage 技术，并提出一个可以定位、分割和排名 Camouflaged 目标的方法。实验结果表明，该模型取得了新的最先进水平，使 Camouflaged 目标的检测更具可解释性。

    Mar, 2021

  • OmniSeg3D: 基于层次对比学习的全方位 3D 分割

    提出了一种全方位理解 3D 场景的通用 3D 分割方法 OmniSeg3D，通过层次对比学习框架将多视图不一致的 2D 分割提升为一致的 3D 特征场，实现了分层分割、多对象选择和全局离散化，并通过大量实验验证了该方法在高质量 3D 分割和准确定义了层次结构方面的有效性，进一步利用图形用户界面实现了灵活的全方位 3D 分割的交互操作。

    Nov, 2023

  • 显著与伪装目标检测及其扩展的空间相干性损失

    通用物体检测是一项与类别无关的任务，它依赖于对象性的准确建模。我们提出了一种新的损失函数，即空间一致性损失（SCLoss），它利用相邻像素之间的相互响应来抑制或强调像素的单一响应，通过检测和强调边界逐渐学习困难区域。通过全面的实验证明，使用 SCLoss 替代流行的损失函数可以提高当前最先进的显著或伪装物体检测（SOD 或 COD）模型的性能。同时，我们还展示了将 SCLoss 与其他损失函数结合可以进一步提高性能并实现不同应用领域的最先进结果。最后，我们展示了将 SCLoss 应用于语义分割等其他相关任务的潜在用途的示例。

    Feb, 2024

  • 利用分心挖掘进行伪装物体分割

    本文提出了一种仿生学框架 PFNet，通过仿照自然界猎物捕食过程解决了暗合噪声背景的伪装对象分割问题，并利用分散挖掘策略优化了性能。实验证明我们的 PFNet 在三个具有挑战性的数据集上的表现大大优于 18 个先进模型。

    Apr, 2021