May, 2024

学习如何从未标记的视频中检测和分割移动对象

PDF
TL;DR我们提出了仅从未标记视频中学习的 Mobile Object Detector（MOD-UV），它可以在单张静态图像中检测和分割移动对象，并且在 Waymo Open、nuScenes 和 KITTI 数据集上实现了最先进的无监督移动对象检测性能，而不使用任何外部数据或有监督模型。
embodied agentsobject detectionunsupervised learningmotion segmentationmobile object detection
发现论文，激发创造
  • 学习移动物体的分割

    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

  • 预测可能的运动模式进行无监督的多目标分割

    该论文提出了一种新的无需人工干预的多物体图像分割方法，该方法可以从静止图像中提取物体，但使用视频进行监督学习，其关键洞察是预测可能包含运动模式的图像区域，超越了测试时间使用运动的方法，在模拟和真实世界基准上显示出最先进的无监督目标分割性能。

    Oct, 2022

  • MODNet: 具备运动和外观的自动行驶移动物体检测网络

    该文章提出了一种新型的多任务学习系统，将外观和运动线索相结合，以更好地对环境进行语义推理，其中介绍了一种联合车辆检测和运动分割的统一架构，并使用 KITTI 数据集评估了该方法，在运动检测任务上的性能优于其他利用运动线索方法 21.5％，在通用物体分割任务上表现与现有的无监督方法相当，其中一个有趣的结论是运动分割与车辆检测的联合训练有益于运动分割

    Sep, 2017

  • 利用运动特性实现的无监督在线视频目标分割

    本文提出了一种新的无监督在线视频目标分割框架，通过结合运动属性以便于分割出区分明显的移动部分，并利用显著性动态检测和物体提议等研究方法设计出像素级的融合策略，实现对在不同帧之间的目标传播和运动检测的稳健性处理，最终在多个基准数据集上实现了比先前算法更高的绝对增益。

    Oct, 2018

  • 从未标注的视频中进行大规模物体发现和探测器适应

    本文提出基于视频序列的目标发现和检测器适应方法，通过三个大型自动驾驶和移动机器人场景的视频数据集的应用，证明了其鲁棒性和广泛性，并提出了一种基于外观聚类的无监督物体发现方法，成功地发现了与驾驶场景相关的有趣物体，同时通过自监督检测器适应，进一步提高了现有类别在 KITTI 数据集的检测性能，可用于自主驾驶的大规模目标学习。

    Dec, 2017

  • MOVE: 无监督的可移动物体分割和检测

    使用自监督特征和对抗训练，提出了一种无监督目标分割方法 MOVE。该方法在多个评估数据集上实现了无监督显著对象检测和分割的 SotA 表现，单目标发现的 CorLoc 平均提高了 7.2％，无监督类别不可知的对象检测的相对 AP 平均提高了 53％。

    Oct, 2022

  • 利用未标记视频对来自未见过的类别的对象进行更好的分割学习

    本文探索使用未标注的视频序列自动生成未知类别对象的训练数据，介绍了一种基于贝叶斯方法的自动创建训练集的方法，并通过实验证明其能够显著提高分割未知类别对象的性能，从而可以利用丰富的互联网视频实现开放世界的实例分割。

    Apr, 2021

  • 通过观察物体运动学习特征

    本文介绍了一种基于无监督学习的视觉特征提取方法，采用运动分割技术自动从视频中得到图像分割信息进行卷积神经网络训练，结果在涉及少量目标训练样本的场景下显著优于现有无监督学习方法。

    Dec, 2016

  • 预测运动的非监督视频和图像分割

    本文提出一种融合基于运动和外观的分割方法，利用预测简单运动模式区域对图像分割网络进行监督，使其具备检测和学习静止物体的能力。通过实验发现该方法不仅在无监督视频分割领域表现出色，而且能够适用于包含新颖物体的静态图像分割领域，同时还能够处理多种运动模型和光流基准的影响。

    May, 2022

  • 低维物体运动多目标发现

    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