通过假流生成改进无监督视频对象分割
计算机视觉与模式识别
2024-07-17 v1
摘要
无监督视频对象分割（VOS），也称为视频显著物体检测，旨在以像素级别检测视频中最突出的物体。最近的两种流方法利用RGB图像和光流图获得了显著关注。然而，受限的训练数据仍是重大挑战。本研究提出一种新颖的数据生成方法，通过从单张图像模拟假光流，从而创建大规模训练数据以实现稳定的网络学习。灵感来自光流图高度依赖深度图的观察，我们通过细化和增强每个图像的估计深度图来生成假光流。通过融合我们的模拟图像-流对， 我们在所有公共基准数据集上实现了新的无监督VOS研究的潜在突破。
引用
@article{arxiv.2407.11714,
title = {Improving Unsupervised Video Object Segmentation via Fake Flow Generation},
author = {Suhwan Cho and Minhyeok Lee and Jungho Lee and Donghyeong Kim and Seunghoon Lee and Sungmin Woo and Sangyoun Lee},
journal= {arXiv preprint arXiv:2407.11714},
year = {2024}
}