CVPR 2022 视频全景分割新 Benchmark：VIPSeg

最新推荐文章于 2024-09-11 15:55:16 发布
最新推荐文章于 2024-09-11 15:55:16 发布
阅读量1.1k 收藏 3
点赞数 1
文章标签： 音视频 人工智能 深度学习 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/moxibingdao/article/details/128125469
版权
VIPSeg是CVPR 2022上提出的一个大规模视频全景分割 Benchmark，包含3536个视频，232个场景，124个类别，提供了一种基于切分短片的视频全景分割框架，并在该数据集上实现了SOTA性能。文章介绍了VIPSeg数据集的详细信息和特有的标注流程，以及提出的ClipPanoFCN算法，该算法通过帧级建模、片段内整合和片段间整合实现了视频全景分割的高效处理。
摘要由CSDN通过智能技术生成

关注公众号，发现CV技术之美

今天向大家分享 CVPR 2022 论文『Large-scale Video Panoptic Segmentation in the Wild: A Benchmark』,介绍一个新的视频全景分割（Video Panoptic Segmentation）领域 Benchmark：VIPSeg。

05f57d9d6a355f12a86437ed01c4f8e2.png

  • 论文链接：https://openaccess.thecvf.com/content/CVPR2022/papers/Miao_Large-Scale_Video_Panoptic_Segmentation_in_the_Wild_A_Benchmark_CVPR_2022_paper.pdf

  • 项目链接：https://github.com/VIPSeg-Dataset/VIPSeg-Dataset/

      01      

前言

作者提出了一个新的视频全景分割（Video Panoptic Segmentation）领域 Benchmark：VIPSeg，与其他视频

最低0.47元/天 解锁文章
我爱计算机视觉
关注
【CVPR 2022】半监督目标检测：Dense Learning based Semi-Supervised Object Detection
梁瑛平的博客
07-04 2268
本文提出了一种用于无锚框SSOD的半监督学习算法。具体来说，为了对密集学习进行仔细的标签指导，本文首先提出了一种自适应过滤（AF）策略，从而将伪标签划分为三个细粒度的部分，包括背景、前景和可忽略区域。然后使用 MetaNet 对这些伪标签进行细化，以消除分类伪正样本...
《VPS：Video Panoptic Segmentation》论文笔记
m_buddy的博客
05-06 1059
参考代码：vps 1. 概述 导读：文章的这篇文章整合了全景分割（实例分割+语义分割）和视频分割算法，从而得到在视频场景下的全景分割算法。其算法是构建在Mask RCNN/ MaskTrack RCNN/ UPSNet的基础之上，但是在这个基础之上文章还强调了视频时序中信息的萃取（spatial-temporal attention），从而增加了视频中实例的分割性能鲁棒性（也就是文章中提到的pixel level fusion）。针对文章的任务，作者在全景分割的基础上提出了视频场景下的性能评价指标VPQ（
CVPR2020: Video Panoptic Segmentation
weixin_46343115的博客
11-15 757
摘要 全景图分割是通过统一以往语义分割和实例分割任务，称为视觉识别任务的新标准。 1.在本文中，我们提出并探索了一种新的视频扩展任务，称为视频全景分割。该任务要求生成一致的全景分割以及跨视频帧的实例ID关联。 2.为了激励对这一新任务的研究，我们提出了两种类型的视频全景数据集。第一个是将合成的VIPER数据集转换为视频全景格式，以利用其大规模标注。第二个是Cityscapes val.set的时间扩展，通过提供新的视频全景注释(Cityscapes-VPD)。它通过每5个视频帧的像素级全景标签，将Citys
【视频目标分割-VOST数据集】Breaking the “Object” in Video Object Segmentation
最新发布
weixin_43571113的博客
09-11 842
当物体变幻时，它的外观可能转瞬即逝。例如当鸡蛋被打碎或者纸张被撕破时，他们的颜色、形状和质地都会发生巨大的变化。除了身份本身外，几乎不保留任何原始特征。然而在现有的视频分割基准中，基本上都没有注意这一重要现象。在这项工作中，我们通过收集一个新数据集（变换下的视频对象分割-VOST）来填补这一空白。该数据集由700多个在不同环境中捕获的高分辨率视频组成，这些视频平均长度为21秒，并用实例掩码进行密集标记。我们采用谨慎的多步骤方法，以确保这些视频重点关注复杂的物体变换，捕捉它们的全时间范围。
CVPR2022 | PanopticDepth：深度感知全景分割的统一框架
qq_29462849的博客
06-17 768
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达作者丨简单来源丨CV技术指南前言本文提出了一种基于深度感知的全景分割（DPS）的统一框架，旨在从一幅图像中重建具有实例级语义的三维场景。该框架将动态卷积技术应用于全景分割（PS）和深度预测任务中，以生成特定于实例的内核来预测每个实例的深度和分割掩码。此外，利用实例级深度估计方案，添加了额外的实例级深度线索，以通过...
ECCV 2022 Oral | 满分论文！视频实例分割新SOTA：SeqFormer & IDOL
阿木寺的博客
08-03 970
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>CV微信技术交流群本文主要介绍最近两篇 ECCV 2022 Oral 的工作，分别在 offline 和 online 范式下的视频实例分割（Video Instance Segmentation, VIS）任务上取得了目前最高的性能，并在CVPR2022第四届大规模视频物体分割挑战...
CVPR 2022 | 视频P图新SOTA：推理速度快近15倍，任意分辨率均可上演人像消失大法...
idol24的博客
05-23 410
丰色 发自 凹非寺转载自：量子位（QbitAI）众所周知：视频是可以P的。这不，在CVPR 2022收录的论文中，就出现了这么一个P图神器，它可以分分钟给你上演各种人像消失大法，不留任何痕迹。去水印、填补缺失更是不在话下，并且各种分辨率的视频都能hold住。正如你所见，这个模型如此丝滑的表现让它在两个基准数据集上都实现了SOTA性能。△与SOTA方法的对比同时它的推理时...
CVPR2022自适应/语义分割：Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation
ssshyeong的博客
11-01 2159
域自适应语义分割的目的是在监督源域数据的情况下学习模型，并在未标记的目标域上产生令人满意的密集预测。为解决上述问题，我们建议直接探索目标域数据的内在像素分布，而不是过度依赖源域。具体来说，我们同时对像素进行聚类，并使用获得的聚类分配对标签进行整流。这个过程以在线的方式完成，因此伪标签可以与分割模型共同进化，而不需要额外的训练。为了克服长尾类的类不平衡问题，我们采用一种分布对齐技术，使簇分配的边缘类分布接近于伪标签的边缘类分布。所提出的方法，即类平衡像素级自标记(CPSL)
CVPR 2022 LaTex 模板
05-07
《CVPR 2022 LaTex 模板详解与应用》 计算机视觉领域的顶级会议——CVPR（Computer Vision and Pattern Recognition）每年都会为作者提供官方的论文提交模板，以确保论文格式的一致性和专业性。2022年的CVPR LaTex...
CVPR2020论文解析：视频分类Video Classification
吴建明wujianming_110117
03-21 3491
CVPR2020论文解析：视频分类Video Classification Rethinking Zero-shot Video Classification: End-to-end Training for Realistic Applications 论文链接：https://arxiv.org/pdf/2003.01455.pdf 摘要 深度学习（deep learning，DL）是在大型...
Densely Annotated Video Segmentation 视频分割数据数据集
07-01
Densely Annotated Video Segmentation 是一个高清视频中的物体分割数据集，包括 50个 视频序列，3455个 帧标注，视频采集自高清 1080p 格式。
2021CVPR A Benchmark for Generic Multiple Object Tracking
DFS的博客
09-27 571
2021CVPR A Benchmark for Generic Multiple Object Tracking 项目开源地址：GMOT-40 A Benchmark for Generic Multiple Object Tracking
CVPR 2020 oral 首次提出VPSnet用于分割界新问题-视频全景分割
3D视觉工坊
06-26 604
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达论文题目：Video Panoptic Segmentation论文下载：http://openaccess.thecvf.com/...
CVPR2020—视频目标分割
lanhai13的博客
04-12 971
CVPR2020—视频目标分割（含代码链接） 一种视频目标分割的转换方法，采用标签传播的方式，简单高性能、高效率。 [1].A Transductive Approach for Video Object Segmentation 作者 | Yizhuo Zhang, Zhirong Wu, Houwen Peng, Stephen Lin 单位 | 微软亚洲研究院；卡内基梅隆大学 代码 | https://github.com/microsoft/transductive-vos.pytorch 学习快
CVPR 2021 AGQA: A Benchmark for Compositional Spatio-Temporal Reasoning
smile909的博客
04-29 663
动机 视觉事件是由一个涉及演员和物体的空间交互的时间动作组成的。人们对利用问答来实现视频推理能力的兴趣与日俱增。 现有的视频问答基准是有用的，但它们往往将多个误差源混入一个准确性度量中，并且具有模型可以利用的强烈偏差，使得模型的弱点很难精确定位。 对于现有的视频问答基准，由于答案分布的偏差和视觉事件发生的非均匀分布，模型可能会发展出“cheating”的方法，这种方法可以表面上猜测答案，而不学习潜在的合成推理过程。 视觉领域只开发了使用静态图像或同步世界的组合问答基准，这些静态图像或同步世界要么不是时空
西交人机所提出视频全景分割新基线IMTNet，发表在图像领域顶级期刊TIP上
shentibeitaokongle的博客
01-29 328
在本文中，作者提出了一个实例运动趋势网络IMTNet，用于视频全景分割任务。其中的全局运动趋势模块 (GMTM) 旨在学习稳健的运动属性，以关联不同视频帧中的实例。运动边界细化模块（MBRM）用来修正在上采样过程中从实例分割分支和语义分割分支产生的不准确的边界分割结果。作者希望提出的 IMTNet 可以成为视频全景分割的新基线。
视频分割全面探究：从视频物体分割到视频全景分割
AI__CSDN的博客
07-28 2143
前言 图像分割大家可能都耳熟能详，近年来，图像分割的研究已经取得了显著成果，而视频分割的研究仍在起步阶段。 视频分割由简到繁可分为三类：视频物体分割、视频语义分割和视频全景分割。视频物体分割是指从视频所有图像中把感兴趣的物体区域完整的分割出来；视频语义分割则要求给视频中所有图像上的每一个像素赋予一个带有语义的标签；视频全景分割的目标是精确定位整个视频的所有语义和实例边界，并为这些分割的视频管分配正确的标签。 目前，视频分割任务主要面临两大挑战：第一，在视频...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值