- 从示例中学习进行交互式图像分割
我们介绍了交互式图像分割框架,用于提取单个目标和相同类别中的多个目标的满意掩码。通过利用 Transformer 骨干网络从图像和交互中提取特征,我们的模型能够达到比以前方法更好的性能,减少用户的劳动量并具备灵活和实用的注释工具的潜力。
- CVPR以低延迟、高质量和多样化提示的方式重新思考交互式图像分割
SegNext 是下一代交互式分割方法,具有低延迟、高质量和多样化的支持,通过引入密集设计,细化各种视觉提示的表示,提高了综合型模型的分割质量,在 HQSeg-44K 和 DAVIS 上表现出色。
- MedCLIP-SAM:将文本和图像融合以实现通用医学图像分割
提出了一种新颖的框架 ——MedCLIP-SAM,结合了 CLIP 和 SAM 模型,使用文本提示在零样本和弱监督设置中生成临床扫描的分割,通过广泛测试三个不同的分割任务和医学图像模态,证明了该框架具有出色的准确性。
- 跨模态视觉转换器的交互式图像分割
本研究提出一种交互式图像分割网络,利用跨模态视觉 transformers 来更好地指导学习过程,并且在多个基准测试中实现了优越的性能表现,具有实用的注释工具潜力。
- SAMAug:点提示增强分段模型
本篇文章介绍了 SAMAug,这是一种新颖的视觉点增强方法,用于增强交互式图像分割性能。SAMAug 通过生成增强点提示提供更多信息以提高 SAM 的信息提取能力,从而提高交互式计算机视觉的性能。
- VPUFormer: 交互式图像分割的视觉提示统一变压器
该论文提出了一个简单但高效的视觉提示统一变压器,利用更深入的交互来提高图像分割性能,并使用高斯映射生成一个统一的一维向量来捕获用户的意图,并利用用户反馈逐渐改进候选语义特征,从而逐步提高图像分割性能。
- AdaptiveClick: 适应点击感知 Transformer 与自适应 Focal Loss 用于交互式图像分割
AdaptiveClick 是一种基于 Transformer 的、面向 Interactive Image Segmentation 的 mask-adaptive 分割框架,它通过引入 CAMD 和 Adaptive Focal Los - InterFormer:实时交互式图像分割
提出了一种名为 InterFormer 的方法,使用大型 ViT 并在高性能设备上运行,通过轻量级 I-MSA 模块进行互动式分割,实现了计算效率更高、分割质量更好的实时高质量交互式分割,可在仅有 CPU 的设备上执行。
- CVPR交互式图像分割的聚焦和协作反馈集成
本研究提出了一种新的交互式图像分割方法 FCFI,使用用户注释和反馈整合来优化分割结果,并在四个基准测试中取得了领先于现有方法的最新最佳表现。
- CVPR多兆像素图像中微小物体的交互式分割和可视化
介绍了一个互动的图像分割和可视化框架,用于识别、检查和编辑大型多兆像素高动态范围(HDR)图像中微小物体 (仅有几个像素宽),特征集不仅适用于天文数据,而且可以成为科学领域 (如生物医学、材料科学、遥感等) 和计算机视觉中人机协同小物体分割 - 基于多智能体强化学习的交互式 3D 医学图像分割的迭代改进
本文采用多智能体强化学习方法,将交互式图像分割的动态过程建模为马尔科夫决策过程,并利用相对交叉熵增益奖励策略进行自我训练,提高交互式分割效率,改善结果,结果显示,本方法在医学数据集上远优于现有技术。
- 一种全卷积交互式图像分割的双流融合网络
本文介绍了一种基于全卷积网络的交互式图像分割方法,利用深度学习中的两个子网络进行特征提取和分割,分别包括类特征融合网络和多尺度参数优化器网络。最终,在四个基准数据集上验证出该方法能够和现有的交互式图像分割方法相媲美的性能,同时具有更快速和更 - 野外交互式视频对象分割
本文介绍一种基于人工交互的视频对象分割方法,使用深度学习技术进行交互式图像分割,并应用于视频对象分割中。在 GrabCut 数据集上,我们的方法以仅需 3.8 次点击的平均值获得 90%的 IOU,与当前最先进的方法相比,具有更高的准确性。 - ECCV受限主导集约束的交互式图像分割
该研究提出了一种基于二次优化问题与主导集的交互式图像分割的新方法,能够处理包括涂鸦、粗略轮廓和边框等任何输入方式,并在标准基准数据集上进行了实验,结果表明该方法相对于现有算法在各种自然图像下均具有优越性。
- CVPRScribbleSup: 用草图监督的卷积网络进行语义分割
利用涂鸦标注图片并开发了一种算法,将涂鸦作为监督信息来训练卷积网络的语义分割,并在 PASCAL VOC 数据集上获得较好结果。
- 中性连接割
本文提出了一种基于 Neutro-Connectedness Cut (NC-Cut) 的图像交互分割方法,该方法利用基于像素外貌信息和基于区域的 NC 属性来解决 ROI-based 方法对初始 ROI 的敏感性,以及 seed-base - LooseCut: 带松散边界框的交互式图像分割
本文提出了一种名为 LooseCut 的新算法,采用 Markov Random Fields 模型,可以处理输入包含前景目标的边界框不太紧的情况,并通过迭代最大流算法解决该模型。LooseCut 可用于增强无监督视频分割和图像显着性检测性