Feb, 2024

多尺度与主要预测指导的玻璃分割

PDF
TL;DR借鉴比例整合策略和改良方法，我们提出了一种全新的名为 MGNet 的网络，它包括一个 Fine-Rescaling 和 Merging 模块（FRM）来提高提取空间关系的能力，一个 Primary Prediction Guiding 模块（PPG）来更好地从融合后的特征中挖掘剩余语义，并且我们使用一种新的带有不确定性感知损失的损失函数来监督模型生成高置信度的分割地图。与现有的必须在不同设置下训练的玻璃分割模型不同，我们的模型在统一设置下训练，并在三个流行的公共数据集上取得了卓越的性能。可在指定链接获取代码。
glass-like objectssegmentationtransparenciescontoursmgnet
发现论文，激发创造
  • 通过误差校正的玻璃分割网络

    使用人类错误修正智慧，作者提出了一种名为 GlassSegNet 的新型玻璃分割网络来检测透明玻璃，该网络分为识别阶段和修正阶段，并在三个基准数据集上展示出比三十四种最先进方法更具明显的改进效果。

    Apr, 2023

  • 玻璃状物体分割的增强边界学习

    本文提出使用增强边缘学习来解决玻璃之类物品的分割问题。通过引入新的微调差分模块和边缘感知点基图卷积网络模块，该方法能够轻松嵌入到各种分割模型中，实现较高的分割精度和清晰度

    Mar, 2021

  • GEM：通过分段多功能模型和数据合成提升玻璃表面分割的简化网络

    通过使用视觉基础模型，我们提出了一个名为 GEM 的简单玻璃表面分割器，该分割器能够自适应地识别玻璃表面特征，并在 GSD-S 验证集上达到了新的最佳性能（IoU+2.1%）。

    Jan, 2024

  • RFENet：面向玻璃分割的特征互进化

    本文提出了选择性互动进化（SME）模块，并引入了结构化精细的细化（SAR）模块和反向演化的特征进化网络（RFENet），成功地实现了玻璃样的物体分割，性能优于三个公共数据集。

    Jul, 2023

  • 玻璃表面分割的内外边界注意力融合

    本文提出了一种基于深度学习和语义分割的方法，利用分离的内部 - 外部边界注意力模块，从单色图像中学习和选择性地集成玻璃表面的内部和外部区域的视觉特征，以检测玻璃表面，取得了与其他先进方法相媲美的结果。

    Jul, 2023

  • 面向轻量级半监督语义分割的多粒度蒸馏方案

    提出一种基于多层级知识蒸馏技术的轻量级半监督语义分割模型，采用标注数据和未标注数据的协同蒸馏方案，结合像素级一致性约束、语义感知层次损失和内容感知区域损失等多层次损失策略，从多个角度对模型知识进行精炼，能够在消耗更少的运算资源和更小的模型体积下取得同类模型不可比的性能提升。

    Aug, 2022

  • 透明物体跟踪与增强融合模块

    透明物体的跟踪是许多机器人任务的关键，本文介绍了一种新的功能融合技术，将透明性信息嵌入到固定的特征空间中，用于透明物体跟踪，从而实现了优于现有方法的结果。

    Sep, 2023

  • 全球到本地注意力自然场景文字检测

    通过融合全局和局部特征的新型 GLASS 全局到局部注意机制，同时引入定向感知损失项以提高检测和识别表现，在多个基准测试中实现了最先进的结果。

    Aug, 2022

  • 基于 Segment Anything 模型的玻璃钢镜和透明物体难以检测

    Meta AI Research 发布了基于超过 10 亿掩模的大型分割数据集训练的 SAM 模型，尽管 SAM 在诸多领域具备强大的能力，但我们的经验评估表明该模型存在在透明物体场景中无法检测的问题。特别是在含有各种形式的玻璃的安全关键情况下，部署 SAM 可能存在风险。

    Apr, 2023

  • 基于宽泛接收器的傅里叶边界特征网络用于玻璃分割

    通过提出的 Fourier Boundary Features Network with Wider Catchers (FBWC) 方法，有效利用主要的玻璃语义信息来引导细粒度分割边界，从而清晰划定玻璃所建立的边界，避免将反射表面的特征错误地提取为误报信息，经验证在三种不同的公开玻璃分割数据集上，该方法相比于现有方法在玻璃图像分割方面具有更好的性能。

    May, 2024