提出了第一个用于医学图像中运动目标分割的基础模型 iMOS,通过对序列中少量图像进行注释,实现双向的运动目标跟踪和分割性能,旨在加快专家的标注速度,推动医学基础模型的发展。
Sep, 2023
本研究提出了一种名为 MambaMOS 的基于 LiDAR 的三维运动物体分割方法,利用时间线索引导嵌入模块 (TCBE) 和运动感知状态空间模型 (MSSM) 解决了弱关联时空信息的问题,并通过实验证明其达到了最先进的性能水平。
Apr, 2024
本研究提出一种基于图神经网络的算法,名为 Graph Inductive Moving Object Segmentation (GraphIMOS), 解决了电脑视觉中的运动对象分割问题。算法可以在新添加的数据帧上执行预测,并在真实世界应用中超越了以前的归纳学习方法和所有以前的传导技术。该算法使得以图为基础的 MOS 模型能够应用于真实世界中的应用。
May, 2023
本研究提出了一种新的数据集 DSEC-MOS,用于解决现有运动目标分割数据集中缺乏提高动态场景理解的事件信息的问题,该数据集包含 16 个序列和 13314 张图像,并利用大型模型 SAM 和事件数据生成准确的分割掩码注释。
Apr, 2023
本篇论文提出了一种基于 3D LiDAR 扫描的新颖的运动对象分割方法,可以将环境精确地分割为运动和静态对象,相比于其他先进的方法在城市环境中具有更高的分割质量。
May, 2021
本研究讨论了利用点轨迹和光流等方法相互融合,在移动的单目摄像头中识别和分割运动物体,实现对复杂场景中不同对象运动的模拟,最终取得了最先进的效果。
本文提出一种基于像素几何和物体运动模型的运动预测方法,通过将图像分为运动一致的区域并利用深度构建最佳匹配的流场基础来减少从单个图像重建流场的不确定性,并在场景结构和物体运动建模方面取得了最新的结果,同时对预测深度图的评估显示出可靠的单眼深度估计性能。
Jul, 2023
本文章提出了一种基于感知信息的多传感器融合策略(PMF),用于自动驾驶等应用中的 3D LiDAR 语义分割,通过两个模态的外观和空间深度信息进行感知信息融合并且提出了感知相关的损失函数用于衡量两种模式之间的差异性,实验结果证明了该方法的优越性。
Jun, 2021
本文提出了一种基于神经网络的视频分割方法,用于区分视频帧中独立运动的物体,并利用对象运动、外观和时间一致性等多个信息源,通过对数据进行训练得到模型,经过评估表明该模型在 DAVIS、Freiburg-Berkeley 运动分割数据集和 SegTrack 等数据集上表现良好。
Dec, 2017
基于 LiDAR 的 3D 物体检测中,引入了一种名为模型协同的在线自适应框架,通过动态组装最佳的超级模型来指导模型更新,同时在复合超级模型中最小化冗余。该方法在多个数据集和不同类型的数据损坏下进行了全面测试,并在复杂的 “跨数据集” 场景中表现出优越的适应能力。
Jun, 2024