TETRIS:探索交互分割的鲁棒性
本研究提出一种基于迭代式训练策略的交互式对象分割系统,利用用户输入的 clicks 作为卷积网络的输入,相较于现有的启发式 click 采样策略,本方法取得了更优的分割结果。
May, 2018
本文提出了一种新的交互式架构和训练方案,旨在更好地利用用户工作流,并展示出引入专门设计用于复杂对象边界的合成训练数据集可以进一步获得显着的改进,该网络达到了最先进性能。
Mar, 2020
本文提出一个名为 PseudoClick 的框架,使得现有的分割网络能够提出候选的下一步点击,从而进一步减少用户交互成本,该框架的目标是通过最少的用户点击来获得精确的对象分割掩码。
Jul, 2022
我们提出了一个简化的交互分割任务,支持多种手势类型,没有指定手势类型,通过引入第一个具有多个手势类型的交互分割数据集和一个新的评估度量来支持该任务。我们分析了许多交互分割算法,并分享了我们的新数据集。
Jul, 2023
本研究提出了一种新的计算机视觉交互系统的评估和学习方法,利用一个主动机器人用户 —— 一个人类用户的模拟模型,将用户参与到系统训练过程中,以此来评估和学习交互分割系统的参数,同时提出了一种在优化问题中整合模拟用户模型的方法。
Dec, 2009
本文介绍了一种基于前向传递的点击交互式分割模型,无需额外的优化技巧即可实现最新的最佳结果,并且对于性能的分析表明,使用 COCO 和 LVIS 的训练数据集所训练的模型表现最佳。
Feb, 2021
本文提出了一种基于深度交互式分割模型的交互式对象分割方法,并利用真实人类注释数据集发布了一个实例分割数据集,同时还提供了一个自动评估模型以更好地保证注释质量。
Mar, 2019
最近几年,深度学习已成为遥感应用中强大的方法,尤其在从卫星和航空图像中提取重要地物的分割和分类技术中起到关键作用。然而,只有少数论文讨论了深度学习在地物覆盖分类任务中交互式分割的应用。本研究旨在通过对各种基于深度学习的交互式分割模型进行基准研究,弥合交互式分割和遥感图像分析之间的差距。我们在两个高分辨率航空影像数据集上评估了五种最先进的交互式分割方法(SimpleClick、FocalClick、Iterative Click Loss (ICL)、Reviving Iterative Training with Mask Guidance for Interactive Segmentation (RITM) 和 Segment Anything (SAM))的性能。为了在不需要多个模型的情况下提高分割结果,我们引入了一种创新的推理策略 —— 级联前向细化(CFR)方法,用于交互式分割。我们在遥感中评估了这些交互式分割方法在不同的地物覆盖类型、目标尺寸和波段组合上的表现。令人惊讶的是,广为讨论的方法 SAM 在遥感图像中表现不佳。相反,SimpleClick 模型中使用的基于点的方法在所有实验中始终优于其他方法。基于这些发现,我们开发了一个名为 RSISeg 的专用在线工具,用于遥感数据的交互式分割。RSISeg 采用了一个性能良好的交互式模型,并通过遥感数据进行了微调。此外,我们把 SAM 模型集成到这个工具中。与现有的交互式分割工具相比,RSISeg 具有较强的交互性、可修改性和适应性。
Aug, 2023
AGILE3D model supports simultaneous segmentation of multiple 3D objects, yields more accurate segmentation masks with fewer user clicks, and offers faster inference, setting a new state of the art in interactive segmentation of 3D point clouds.
Jun, 2023
我们提出了准保拟共形交互分割(QIS)模型,该模型通过正负点击将用户输入融入分割过程,以准确地分割包含噪声或遮挡的图像,同时避免拓扑错误,并在合成、医学、自然和噪声自然图像上进行了有效性验证。
Feb, 2024