非模态类内实例分割：合成数据集与基准
计算机视觉与模式识别
2023-11-08 v2 机器学习
摘要
真实场景图像常包含彼此严重遮挡的类内物体，使得需要解析物体被遮挡部分的非模态感知任务颇具挑战。尽管其对机器人抓取系统等下游任务十分重要，但缺乏带精细标注的大规模非模态数据集，难以显式建模类内遮挡。本文引入两个用于图像非模态补全任务的新非模态数据集，共包含超过267K张类内遮挡场景图像，标注有多重掩码、非模态边界框、双重顺序关系及实例与背景的完整外观。我们还提出一种带图层先验的点监督方案，专用于类内遮挡场景的非模态实例分割。实验表明，我们的弱监督方法优于SOTA全监督方法，且我们的图层先验设计在合成与真实图像的类内遮挡情况下均展现出显著的性能提升。
引用
@article{arxiv.2303.06596,
title = {Amodal Intra-class Instance Segmentation: Synthetic Datasets and Benchmark},
author = {Jiayang Ao and Qiuhong Ke and Krista A. Ehinger},
journal= {arXiv preprint arXiv:2303.06596},
year = {2023}
}
备注
Accepted at WACV 2024. Datasets are available at https://github.com/saraao/amodal-dataset