基于遮挡顺序的语义实例分割
计算机视觉与模式识别
2025-04-22 v1 人工智能
机器学习
摘要
标准语义实例分割提供有用但固有的是二维信息来自单个图像。为了实现3D分析，通常将绝对单目深度估计与实例分割集成。然而，单目深度是一项困难的任务。相反，我们利用更简单的单图像任务——基于遮挡的相对深度排序，提供较粗但有用的3D信息。我们表明，相对于绝对深度，相对深度排序从遮挡处更可靠。我们提出解决相对深度排序和基于遮挡的实例分割的联合任务。我们称之为基于遮挡顺序的语义实例分割(OOSIS)。我们发展了一种从有向遮挡边界和语义分割中同时提取实例及其遮挡顺序的方法。与流行的检测-分割框架不同，结合遮挡排序与实例分割允许将OOSIS表述为一个简单的干净的标记问题。作为我们OOSIS解决方案的一部分，我们开发了一种新颖的有向遮挡边界方法，显著优于先前的工作。我们还开发了一个新的联合OOSIS指标，基于实例掩码准确性和其遮挡顺序的正确性。我们在KINS和COCOA数据集上取得了比强大基线更好的性能。
引用
@article{arxiv.2504.14054,
title = {Occlusion-Ordered Semantic Instance Segmentation},
author = {Soroosh Baselizadeh and Cheuk-To Yu and Olga Veksler and Yuri Boykov},
journal= {arXiv preprint arXiv:2504.14054},
year = {2025}
}