![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
实例分割
文章平均质量分 91
实例分割论文、代码、相关知识学习
菜鸟中的菜中菜
这个作者很懒,什么都没留下…
展开
-
CVPR21RefineMask: Towards High-Quality Instance Segmentation with Fine-Grained Features
目录IntroductionMethodSemantic HeadMask Head多阶段的细化过程SFM语义融合模块Boundary-Aware Refinement面向具有细粒度特征的高质量实例分割Introduction由于特征金字塔和池化过程中的降采样操作,分割后的掩模仍然非常粗糙,特别是对于大型对象。提出了一种新的方法,用于高质量的对象和场景的实例分割,该方法在多阶段的实例分割过程中包含了细粒度的特征。通过逐步融合更详细的信息,精炼面具能够持续地细化高质量的面具。问题:MaskR-CNN丢原创 2022-05-27 19:03:54 · 841 阅读 · 0 评论 -
CVPR21Look Closer to Segment Better: Boundary Patch Refinement for Instance Segmentation
目录AbstractIntroductionMethod边界patch提取BPR 网络组装实验学习记录,侵删参考参考Abstract由于特征映射的空间分辨率较低和边界像素的比例极低所导致的不平衡问题,预测的实例掩模的边界通常不精确。白话就是mask分辨率低,上采样之后实例的边界会变差,况且边界像素本来就少。提出一个后处理细化框架BPR (Boundary Patch Refinement).。方法:沿着预测的实例边界提取和细化了一系列小的边界块(patch),通过一个更高分辨率的边界补丁细化网络来完原创 2022-05-26 16:12:30 · 565 阅读 · 0 评论 -
NeurIPS2019 BBTP-Weakly Supervised Instance Segmentation using the Bounding Box Tightness Prior
https://proceedings.neurips.cc/paper/2019/file/e6e713296627dff6475085cc6a224464-Paper.pdfhttps://blog.csdn.net/qq_38929105/article/details/119852781本文通过将问题表述为多实例学习(MIL)任务来解决困难,通过框的扫描线生成正负的bags。提出的深度模型将MIL集成到一个完全监督的实例分割网络中,结果由unary term和pairwise term生成,前者原创 2022-03-26 23:13:16 · 3555 阅读 · 0 评论 -
ECCV2020 CondInst
CondInst作者思考实例分割和语义分割的区别,一个map只能拿一个实例,语义分割是出一个map拿所有实例,实例分割的核心,怎么让网络focus到某一个instance,然后只把这个instance的mask拿出来。思路分别拿一个mask head 去得到一个实例的mask。mask head是在检测器后,检测到多少个instance就跟多少个head,是动态的结构使用FPN+FCOS,每个点生成一个框,框后面加个controller,生成一组滤波器,滤波器被用来填充mask head,m原创 2022-03-25 16:48:49 · 395 阅读 · 0 评论 -
ICCV19 YOLACT
快速、高质量mask,并未通过pooling损失之类高泛化,可以换任务目标检测原创 2022-03-07 20:30:52 · 273 阅读 · 0 评论 -
BlendMask CVPR20
目录IntroductionRelatedMethodpipelineBottom ModuleTop layerBlender module具体设置概述:受到自上而下实例分割方法和自下而上方法的启发,先通过FCOS提取细节特征,然后结合FCIS和YOLACT提出Blender模块融合特征。Introduction对最有可能的感兴趣区域(RoIs)进行密集的预测。分别介绍自上而下和自下而上的局限性。作者将这种方法结合,具体是利用裁剪手段(FCIS)或加权和(YOLACT)将其与逐像素点的预测结合起来原创 2022-03-03 17:44:12 · 349 阅读 · 0 评论 -
CVPR2021 BoxInst High-Performance Instance Segmentation with Box Annotations
BoxInst: High-Performance Instance Segmentation with Box Annotations创新点本文核心思想重新设计实例分割中的 mask 学习损失函数,无需修改分割网络本身。新的损失函数无需 mask 标注,就可监督 mask 的训练。主要是在CondInst的基础上提出了两种损失:1) 一个最小化 ground-truth 边框映射和预测 mask 差异的替代项;2) 一对损失使得颜色相近的相邻像素点类别相同效果:在 COCO test-dev sp原创 2022-02-23 21:34:31 · 1346 阅读 · 0 评论 -
Deep Occlusion-Aware Instance Segmentation with Overlapping BiLayers笔记
分割高度重叠的物体具有挑战,不同于以往的two-stage,讲图像建模成两个重叠层的组合,提出了BCNet。顶部GCN层检测遮挡对象,底部GCN层推断部分遮挡实例。在one-stage 和two-stage 目标检测 中 使用不同的backbone和网络层上 验证了双层解耦的有效性。我们注意到,大多数增量改进来自于更好的backbone主干架构设计,很少关注从目标检测中获得ROI(感兴趣区域)特征后的实例掩码回归。两个图像层的重叠部分表示遮挡体的不可见区域,这是由我们的遮挡感知BCNet框架明确建模的原创 2021-09-14 22:25:27 · 1052 阅读 · 3 评论 -
CenterMask CVPR2020 Real-Time Anchor-Free Instance Segmentation
CenterMask CVPR2020参考1参考2高效率、高mAP的实例分割模型创新:添加空间注意引导掩模(SAG-Mask)分支到anchor-free目标检测器(FCOS),SAG-Mask分支在每个检测到的盒子上预测一个分割掩码,这有助于关注信息像素和抑制噪声新的backbone:VoVNetV2,有残差连接,使用eSE处理通道信息丢失问题。设计了CenterMask and CenterMask-Lite,分别针对大、小模型。结构1.backbone+FPN提取特征2.FC原创 2021-11-21 17:32:32 · 2528 阅读 · 0 评论 -
Mask Scoring R-CNN CVPR19
Panoptic FPN是一个简单的单一网络同时实现实例分割和语义分割并希望取得顶级的效果,两个任务一齐称为全景分割。原创 2021-10-08 16:54:25 · 423 阅读 · 0 评论 -
Mask-RCNN ICCV2017
Mask-RCNN ICCV2017参考1参考2计算过程解读创新点Mask R-CNN是在Faster R-CNN的基础上添加了一个预测分割mask的分支。将RoI Pooling 层替换成了RoIAlign层;添加了并列的FCN层(mask层),输出每个ROI的mask。使用ResNeXt-101+FPN用作特征提取网络,基础网络增强采用 ROIAlign 替代 RoiPooling(改进池化操作)。引入了一个插值过程,先通过双线性插值到14 * 14,再 pooling到 7 * 7。原创 2021-11-21 17:31:35 · 3061 阅读 · 0 评论 -
FPN特征金字塔学习记录
FPN for Object Detection参考图像金字塔,通常用高斯金字塔图像中存在不同尺寸的目标,而不同的目标具有不同的特征,利用浅层的特征就可以将简单的目标的区分开来;利用深层的特征可以将复杂的目标区分开来。在第1层(请看绿色标注)输出较大目标的实例分割结果,在第2层输出次大目标的实例检测结果,在第3层输出较小目标的实例分割结果在这个图中,特征图用蓝色的轮廓表示,较粗的轮廓表示语义上更强的特征。(a)使用图像金字塔来构建特征金字塔。在图像金字塔的每一层提出不同的特征,然后进行相应原创 2021-11-17 21:56:43 · 799 阅读 · 0 评论 -
Non-local Neural Networks非局部操作笔记
原文翻译文章解读【CV中的Attention机制】Non-Local Network的理解与实现通用公式:yi=1C(x)∑∀jf(xi,xj)g(xj),.y_i = \frac{1}{C(x)}\sum_{\forall j}f(x_i,x_j)g(x_j),.yi=C(x)1∀j∑f(xi,xj)g(xj),.x是输入信号,cv中使用的一般是feature mapi 代表的是输出位置,如空间、时间或者时空的索引,他的响应应该对j进行枚举然后计算得到的f 函数式计算i和j的相原创 2021-10-20 11:34:43 · 1000 阅读 · 0 评论 -
实例分割论文调研
目录综述CVPR18Non-local Neural NetworksPath Aggregation Network for Instance SegmentationCVPR19Mask Scoring R-CNNHybrid Task Cascade for Instance SegmentationPose2Seg: Detection Free Human Instance SegmentationS4Net: Single Stage Salient-Instance SegmentationW原创 2021-11-20 12:05:28 · 990 阅读 · 0 评论