基于累积遮挡学习的顺序非模态分割
计算机视觉与模式识别
2024-05-10 v1
摘要
为了充分理解单张图像的3D上下文，视觉系统必须能够分割物体的可见区域和被遮挡区域，同时辨别它们的遮挡顺序。理想情况下，该系统应该能够处理任何物体，而不应局限于分割有限的物体类别集，特别是在机器人应用中。为了满足这一需求，我们引入了一种具有累积遮挡学习的扩散模型，专为不确定类别物体的顺序非模态分割而设计。该模型在扩散过程中利用累积掩码策略迭代地细化预测，有效地捕捉不可见区域的不确定性，并熟练地再现被遮挡物体形状和遮挡顺序的复杂分布。这类似于人类的非模态感知能力，即在密集分层的视觉场景中破译物体之间的空间排序，并准确预测被遮挡物体的完整轮廓。在三个非模态数据集上的实验结果表明，我们的方法优于现有的基线方法。
引用
@article{arxiv.2405.05791,
title = {Sequential Amodal Segmentation via Cumulative Occlusion Learning},
author = {Jiayang Ao and Qiuhong Ke and Krista A. Ehinger},
journal= {arXiv preprint arXiv:2405.05791},
year = {2024}
}