RGB-D 个体分割

细粒度识别任务处理的是子类别分类问题，这对现实世界应用至关重要。在这项工作中，我们特别关注于\emph{最细粒度}级别的分割任务，该任务被专门命名为“个体分割”。换言之，个体级别的类别之下没有更细的子类别。个体级别的分割问题揭示了一些新特性：单个个体对象的训练数据有限、背景未知以及深度信息使用困难。为了解决这些新问题，我们提出了一种“上下文弱感知”（CoLA）流程，该流程生成背景上下文较少的 RGB-D 物体主导图像，并利用 3D 信息实现尺度感知的训练和测试。大量实验表明，所提出的 CoLA 策略在 YCB-Video 数据集和我们提出的 Supermarket-10K 数据集上大幅优于基线方法。代码、训练好的模型和新数据集将随本文一同发布。