该研究提出了一种新的部分监督训练范式和权重转移函数，使得可以在仅有少量掩模注释的情况下，使用来自 Visual Genome 数据集的框注释和 COCO 数据集中 80 个类别的掩模注释，训练出可以检测和分割 3000 个视觉概念的 Mask R-CNN 模型，在 COCO 数据集上进行了实验评估。这是实现广泛理解视觉世界的目标实例分割模型的第一步。

Nov, 2017

通过检查 COCO (2017 版本) 中的成千上万个掩膜，我们发现了不同类型的错误，例如不精确的掩膜边界、未全面注释的实例和错误标记的掩膜。为了保持与先前研究的连续性，我们开发了 COCO-ReM (Refined Masks)，这是一组注释更清晰、掩膜质量明显更好的数据集。我们评估了五十个目标检测器，并发现预测视觉效果更好的掩膜的模型在 COCO-ReM 上得分更高，证实它们由于 COCO-2017 的错误而受到了不正确的惩罚。此外，我们使用 COCO-ReM 训练的模型收敛更快，得分更高，优于使用 COCO-2017 训练的更大的变体，凸显了数据质量在改进目标检测器中的重要性。基于这些发现，我们提倡在未来的目标检测研究中使用 COCO-ReM 数据集。我们的数据集可在此 https URL 获取。

Mar, 2024

本研究旨在推进目标识别的最新进展，提出了一种数据集的形式，通过将目标识别的问题置于场景理解的更广泛背景下，聚集了包含常见物品的复杂日常场景的图像，并利用每个实例分割对物品进行标记以协助精确定位，该数据集包含 91 种 4 岁儿童容易识别的对象类型，有 328k 张图像和 250 万个标记实例。本文最终提供了一种基于可变形零件模型的边界框和分割检测结果的基线性能分析。

May, 2014

该论文提出了一种新型的端对端网络，能够高效地预测实例和物体分割，并引入了一种新的空间排名模块以处理预测实例之间的遮挡问题。在 COCO Panoptic 基准测试上取得了可喜的成果。

Mar, 2019

通过标注协助者与自动化助手协作的方式，有效降低了全视场分割图像标注的工作量，并经过 COCO 数据集的严格实验验证，证明优于传统的手动标注方法。

Jun, 2019

使用 Sama-COCO 重注释 MS-COCO 数据集，通过利用形状分析管道发现潜在偏见，训练并评估了模型在这两个数据集上的表现，结果表明注释风格的重要性和注释流程需要密切考虑感兴趣的任务。

Nov, 2023

本文提出了一种全新的端到端单次方法，可以将可计数的物体实例 (事物) 以及背景区域 (物料) 分段成为一个几乎达到视频帧率的非重叠全景分割。

Nov, 2019

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

我们介绍了 3D-COCO，这是原始的 MS-COCO 数据集的扩展，提供了 3D 模型和 2D-3D 对齐注释。3D-COCO 旨在实现计算机视觉任务，如可配置的 3D 重建或图像检测，通过使用文本、2D 图像和 3D CAD 模型查询。通过使用 IoU 方法，我们将每个 MS-COCO 注释与最佳的 3D 模型进行匹配，提供 2D-3D 对齐。3D-COCO 的开源性是对 3D 相关主题新研究的开拓，该数据集及其源代码可在给定的链接上找到。

Apr, 2024

本研究提出了一种基于 RPN++ 的两步式物体检测 / 实例分割系统 MegDetV2，在 COCO-2019 检测 / 实例分割 test-dev 数据集中超过了 2018 年的获胜结果并在 COCO Challenge 2019 和 2020 中获得了最佳成果。

Oct, 2020