Jun, 2024

基于频率匹配的长尾语义分割

PDF
TL;DR本文关注于长尾语义分割 (LTSS) 这一相对未经深入研究的任务设置，建立了三个代表性数据集，并提出了基于 Transformer 的改进算法，用于解决应用语义分割技术在自动驾驶和虚拟现实中遇到的长尾问题，并通过 LTSS 评估系统和基准进行性能展示，旨在推动对语义分割任务的实证研究。
发现论文，激发创造
  • 应对领域转移下的长尾类别分布

    使用三种新的核心功能块，以及集成在元学习框架中，解决长尾分布分类和领域漂移问题，提高了领域泛化在新的目标领域上的表现。

    Jul, 2022

  • 级联匹配半监督长尾目标检测

    本文提出了一种基于伪标签的半监督级联匹配检测器 CascadeMatch，该检测器采用级联网络架构，并具有根据数据自适应提取的伪标签。实验结果表明，CascadeMatch 在处理长尾物体检测方面优于现有半监督方法，在几种检测结构中均优于 Unbiased Teacher，且能处理稀疏标注的物体检测问题。

    May, 2023

  • VideoLT: 大规模长尾视频识别

    介绍了 VideoLT 数据集，通过 FrameStack 方法对视频中的长尾现象进行处理，通过实验证明该方法可以提高分类性能，而不会牺牲整体准确率。

    May, 2021

  • 运用头脑：提升长尾视频识别

    本文对长尾视频识别进行了研究，提出了新的视频基准数据集和一种名为 Long-Tail Mixed Reconstruction 的方法，可显著减少过拟合并取得了最新的平均分类精度。

    Apr, 2023

  • 使用语义分割图像进行长期视觉定位

    在自动驾驶车辆的长期视觉导航中，利用图像的语义分割和 3D 点云制作具有语义标签的地图，通过粒子滤波来实现车辆定位，从而在大多数时候实现低于 1 米的定位误差。

    Jan, 2018

  • CoMaL: 条件极大似然方法实现在长尾语义分割的自监督领域适应

    本研究提出了一种新的自监督域适应方法来解决长尾语义分割问题，并在 “SYNTHIA 到 Cityscapes” 和 “GTA 到 Cityscapes” 等流行的大规模语义分割基准测试中表现出比之前方法更好的性能。

    Apr, 2023

  • 分类中的魔鬼：一种针对长尾物体检测和实例分割的简单框架

    本文旨在研究并解决现有的目标检测和分割模型在长尾数据集上的失效问题，通过对现有的两阶段实例分割模型 Mask R-CNN 在最近的长尾 LVIS 数据集上的表现进行系统调研后，我们发现不准确的对象提案分类是其表现下降的主要原因，然后我们提出了一种用于改进长尾分类性能的简单校准框架，它可以更有效地减轻分类头偏差，并结合二级类平衡采样方法。 在我们的实验中表现良好，提高了最近 LVIS 数据集和我们采样的 COCO-LT 数据集的尾部类别实例分割的准确性。

    Jul, 2020

  • 潜空间无监督语义分割

    本文提出了一种称为 LS-USS 的新型无监督分割算法，可轻松地处理在线和批处理数据的多维时间序列，并在多个真实数据集上将其与其他现有的变点检测算法进行比较。

    Jul, 2022

  • 频率感知的自监督长尾学习

    无监督学习与长尾分布数据的关联，用于产生具有辨别力的特征表示，以解决数据不平衡问题。

    Sep, 2023

  • 基于输入输出平衡的长尾 LiDAR 语义分割框架

    本篇论文提出了一种输入输出平衡的框架来解决实际数据中的长尾分布问题，主要针对无人驾驶中的场景理解和 LiDAR 语义分割问题，该框架包含合成长尾实例和使用多头块组合不同类别两个模块，实验表明该方法有着良好的泛化能力。

    Mar, 2021