May, 2024

PerSense：稠密图像中的个性化实例分割

PDF
TL;DR通过大规模预训练，基于视觉的基础模型展现了显著的性能优势；本文提出了 PerSense，这是一个端到端的、无需训练的、模型无关的一次性框架，用于解决稠密图像中的个性化实例分割问题，并通过验证和比较实验证明了其有效性和适应性。
large-scale pre-trainingpersonalized instance segmentationdense imagespersenseframework
发现论文，激发创造
  • 动态实例化网络的像素级实例分割

    该论文提出了一种基于语义分割的实例分割系统，利用 CRF 预测具有对象类和实例标签的分割地图，从而提高难度较大的像素级别分割精度，使像素不能属于多个实例，并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。

    Apr, 2017

  • P2Seg: 通过相互蒸馏进行逐点监督的分割

    设计了一个互动蒸馏模式，结合实例位置和语义信息，实现了准确的实例级别对象感知。在 PASCAL VOC 和 MS COCO 数据集上取得了显著的优势结果。

    Jan, 2024

  • 实时实例分割的稀疏实例激活

    本文提出了一种实时实例分割的概念性新颖、高效并且完全卷积的框架。该框架采用了一种新的目标表示方法 —— 稀疏的实例激活图，通过聚合特征识别和分割前景对象，在一对一的模式下预测物体，避免后处理中的非极大值抑制。该方法在 COCO 基准测试中实现了 40 FPS 和 37.9 AP，速度和准确性均得到显著提高。

    Mar, 2022

  • 面向领域适应的基于区域无关检测器的密集语义增强

    该论文提出一种对域自适应物体检测领域的研究，通过引入对抗模块来加强基于单一检测器的跨域特征匹配，提高了其泛化性能和适应性，对于多种域漂移设置展现了优越的性能。

    Aug, 2021

  • 个性化图像语义分割

    本文旨在解决个性化图像分割问题，通过研究数据的个性化特征来生成更准确的未标记个性化图像分割结果。我们收集了一个名为 PIS 的数据集，其中包含各种用户的个性化图像，并在该数据集中报告了一些近期研究的性能。此外，通过观察用户个性化图像之间的相关性，我们提出了一种基线方法，当进行某些图像的分割时，该方法将上下文信息与图像一起考虑。大量实验证明，我们的方法在提出的数据集上优于现有方法。

    Jul, 2021

  • 深度变分实例分割

    本文提出了一种利用全卷积神经网络直接预测实例标签的方法，并将分割问题作为最小化优化函数的变分松弛问题来处理，并扩展了经典的 Mumford-Shah 变分分割问题以处理实例分割中的置换不变标签，实验证明此方法能有效地解决实例分割任务。

    Jul, 2020

  • PANet: 稀疏实例提议和聚合的 LiDAR 全景分割

    本篇论文提出了名为 PANet 的新型 LiDAR 宽景分割 (LPS) 框架，采用便于生成稀疏种子点的平衡采样，泡沫位移和连通组件标签算法直接将物点分组形成实例，通过实例聚合模块来提高大型物体的 LPS 性能。与其他文献相比，在 SemanticKITII 验证和 nuScenes 验证中，PANet 在宽景分割任务中的表现达到了最高水平。

    Jun, 2023

  • FM-Fusion: 基于视觉 - 语言基础模型的实例感知语义映射增强

    基于视觉 - 语言基础模型，本研究提出了一种概率标签融合方法，用于从开放集标签测量中预测闭合集语义类别，以增强基于实例感知的语义映射；通过整合各模块构建一个统一的语义映射系统，并通过 ScanNet 和 SceneNN 数据集评估了方法的零样本性能，取得了显著优于传统方法的 40.3 均值平均精度（mAP）的结果。

    Feb, 2024

  • 融合非专用感知模型的室内场景标记

    我们提出了一种在室内环境中获取语义分割和目标实例检测伪标签的成本效益标注方法，旨在为各种下游任务训练轻量级模型提供便利，通过多视图标注融合阶段，识别和纠正单视图不一致现象，并通过与人工注释的比较和目标导航等下游任务的效果评估，证明了该方法的有效性。

    Nov, 2023

  • 学习聚类用于无需提议的实例分割

    本研究介绍了一种新的学习目标，用于训练深度神经网络执行端对端的图像像素聚类，该方法已应用于实例分割，其结果是出色的，并且在 2017 CVPR 自动驾驶挑战的车道检测竞赛中获得第二名，而在不使用外部数据的情况下是最优表现者。

    Mar, 2018