- AGILE3D: 基于注意力导向的交互式多目标三维分割
AGILE3D model supports simultaneous segmentation of multiple 3D objects, yields more accurate segmentation masks with fe - BreastSAM:超声成像乳腺肿瘤分割模型研究
本研究重点探讨利用交互式分割算法 Segment Anything Model(SAM)进行乳腺超声影像乳腺肿瘤分割的有效性。 该研究表明 ViT_l 模型在性能指标上具有卓越表现,研究还评估了该模型在分割恶性和良性肿瘤方面的差异性能,发现 - DeepEdit:面向交互式分割的三维医学影像深度编辑学习
本文介绍了一种基于深度学习的医学图像自动分割和半自动标注方法,该方法将自动分割和交互式分割结合到单个深度学习模型中,并允许易于集成基于不确定性的排名策略和主动学习。该方法通过使用标准训练结合用户交互模拟进行训练,可以显著减少专家标注医学影像 - PiClick: 基于点击的交互式分割中选择所需掩模
提出了一种基于交互式分割的语义多样性分割网络 PiClick,利用 Transformer 网络结构实现互动式 mask 查询,设计了 Target Reasoning 模块,能够自动推断出所有建议中最匹配的 mask,显著减少了目标模糊性 - 医学影像分割模型:实验研究
本文对 Segment Anything Model 在医学图像中的效果进行了评估,结果表明性能受任务和数据集影响较大,需要进一步研究来适应医学图像领域。
- 基于分块体的边界感知层级迭代细化多智能体强化学习交互式三维图像分割
本文提出了一种使用马尔可夫决策过程和强化学习解决迭代交互式图像分割的方法,采用多智能体强化学习并引入界面奖励来增加边界部分的准确率,并且使用基于超像素点的交互设计来结合不同类型的交互方式,在四个基准数据集上的结果表明,该方法具有更少的交互数 - CVPR交互式分割作为高斯过程分类
本文将 IS 任务作为基于高斯过程的像素二元分类问题,使用变分推理将 GP 后验近似为双空间形式,提出了 GPCIS 框架用于精细传播和提升分割的准确性,并在多个基准实验中验证了其优越性和高效性。
- ECCV基于分离和抓取方法的自监督交互式物体分割
该研究提出了一种机器人学习方法,利用在未见过新物体时的交互作用,与避免手动标记数据集的费时过程,收集每个物体的训练标签进行微调来提高分段模型的性能。该系统实现了在模拟杂乱场景中 70% 的分离成功率,而对于玩具积木、模拟 YCB 对象和真实 - CVPRFocalClick: 实用交互式图像分割
FocalClick 提出了一种交互式分割模型,通过两个快速推理处理目标区域与焦点区域的粗分割和局部细分割,采用渐进式合并的方法有效地对预先存在的分割遮罩进行修正,同时在 FLOP 显著更小的情况下实现了与 SOTA 方法相当的结果。
- ICCVEdgeFlow:借助边缘流实现实用的交互式分割
本研究提出了一种名为 EdgeFlow 的图像交互分割方法,该方法采用边缘引导流利用用户点击的交互信息,以实现高质量分割。通过在基准测试上进行全面实验,证明了该方法在速度和准确性方面优于现有方法,并开发了一个有效的交互式分割工具用于实际数据 - CVPR基于可靠性注意力图的引导交互式视频目标分割
本研究提出了一种新的视频物体辅助交互式分割(GIS)算法,采用基于可靠性的关注模块、相交感知传播模块和 GIS 机制来提高分割精度和减少交互时间。实验结果表明,该算法相较于传统算法在更快的速度下提供更准确的分割结果。
- f-BRS: 重新思考交互式分割的反向传播细化
该研究论文提出利用深度神经网络进行交互式分割的算法,采用基于影像学习的 backpropagating refinement (BRS) 方案进行优化,提高处理较难图像的准确度。同时,本研究提出 f-BRS 方案,使处理速度较原始 BRS - CVPR与人类标注者进行大规模交互式物体分割
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。
- 2018 年 DAVIS 视频目标分割挑战赛
2018 年的 DAVIS 挑战赛主要包括视频对象分割的任务,比赛使用 DAVIS 2017 数据集,增加了 100 个多对象序列视频,添加了交互式分割 Teaser 赛道。
- 使用深度学习进行交互式医学图像分割,并采用特定于图像的微调方法
本文提出一个新的基于深度学习的交互分割框架,该框架将卷积神经网络(CNN)引入到边界框和涂鸦分割管道中,并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能,实验结果表明我们的方法比现有的 CNN 方法更鲁 - 结构化学习总和子模高阶能量函数
本文介绍了一种基于判别学习的方法来寻找高阶先验,该方法采用了结构化 SVM 和用于求解子模流问题的延伸割算法,说明了如何更好地利用子模函数的表达能力,实现更好的交互式分割技术。
- 学习交互式分割系统
本研究提出了一种新的计算机视觉交互系统的评估和学习方法,利用一个主动机器人用户 —— 一个人类用户的模拟模型,将用户参与到系统训练过程中,以此来评估和学习交互分割系统的参数,同时提出了一种在优化问题中整合模拟用户模型的方法。