前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >CVPR 2020 论文大盘点-实例分割篇

CVPR 2020 论文大盘点-实例分割篇

作者头像
CV君
发布于 2020-06-28 09:47:58
发布于 2020-06-28 09:47:58
9720
举报

本文盘点CVPR 2020 所有实例分割(Instance Segmentation)相关论文(语义分割在这里,不含全景分割、医学图像分割、交互式分割等,以上将会另行总结),总计18篇,对文献进行了分类汇总,希望对大家有帮助。

下面这张经典图片,简单明了地说明了实例分割与其他视觉三大任务的区别:

图像分类是对整幅图像给出一个类别,目标检测将感兴趣的物体框出来,语义分割将相同类别的物体分割出来,实例分割则要分割出感兴趣类别物体的个体,既是对图像的像素级分割,又是实例级理解。

这18篇文章中有一篇Oral(Deep Snake),含2D实例分割8篇(一阶段one-shot实例分割有好几篇),3D点云实例分割5篇,解决标注数据不足问题的非监督/半监督/小样本学习的实例分割各1篇,另外IBM研究了实例分割跟踪,还有1篇实例分割在生物图像中的应用,既高精度又兼顾速度。

通过近几天的对CVPR 2020 的总结发现,3D点云数据是视觉大趋势,在各个领域都有丰富的研究成果,实例分割也不例外。

18篇中9篇有开源代码,另外有中文解读的也把网址附上了。

大家可以在:

http://openaccess.thecvf.com/CVPR2020.py

按照题目下载这些论文。

2D实例分割

[1].Deep Snake for Real-Time Instance Segmentation

作者 | Sida Peng, Wen Jiang, Huaijin Pi, Xiuli Li, Hujun Bao, Xiaowei Zhou

单位 | 浙江大学;深睿医疗

代码 | https://github.com/zju3dv/snake/

备注 | CVPR 2020 oral

解读 | https://zhuanlan.zhihu.com/p/134111177

[2].BlendMask: Top-Down Meets Bottom-Up for Instance Segmentation

作者 | Hao Chen, Kunyang Sun, Zhi Tian, Chunhua Shen, Yongming Huang, Youliang Yan

单位 | 阿德莱德大学;东南大学;华为诺亚方舟实验室

解读 | 完美替代Mask RCNN!BlendMask:实例分割新标杆

[3].CenterMask: Single Shot Instance Segmentation With Point Representation

作者 | Yuqing Wang, Zhaoliang Xu, Hao Shen, Baoshan Cheng, Lirong Yang

单位 | 美团点评

解读 | https://zhuanlan.zhihu.com/p/142641833

[4].PolyTransform: Deep Polygon Transformer for Instance Segmentation

作者 | Justin Liang, Namdar Homayounfar, Wei-Chiu Ma, Yuwen Xiong, Rui Hu, Raquel Urtasun

单位 | Uber ATG;多伦多大学;麻省理工学院

[5].D2Det: Towards High Quality Object Detection and Instance Segmentation

作者 | Jiale Cao, Hisham Cholakkal, Rao Muhammad Anwer, Fahad Shahbaz Khan, Yanwei Pang, Ling Shao

单位 | 天津大学;IIAI

代码 | https://github.com/JialeCao001/D2Det

[6].PolarMask: Single Shot Instance Segmentation With Polar Representation

作者 | Enze Xie, Peize Sun, Xiaoge Song, Wenhai Wang, Xuebo Liu, Ding Liang, Chunhua Shen, Ping Luo

单位 | 香港大学;商汤;西安交通大学;南京大学;阿德莱德大学

代码 | https://github.com/xieenze/PolarMask

解读 | https://zhuanlan.zhihu.com/p/84890413

[7].Mask Encoding for Single Shot Instance Segmentation

作者 | Rufeng Zhang, Zhi Tian, Chunhua Shen, Mingyu You, Youliang Yan

单位 | 同济大学;阿德莱德大学;华为诺亚方舟实验室

代码 | https://github.com/aim-uofa/AdelaiDet/

[8].CenterMask: Real-Time Anchor-Free Instance Segmentation

作者 | Youngwan Lee, Jongyoul Park

单位 | ETRI

代码 | https://github.com/youngwanLEE/CenterMask

解读 | 提出实时Anchor-Free实例分割算法CenterMask

3D实例分割

[9].Joint 3D Instance Segmentation and Object Detection for Autonomous Driving

作者 | Dingfu Zhou, Jin Fang, Xibin Song, Liu Liu, Junbo Yin, Yuchao Dai, Hongdong Li, Ruigang Yang

单位 | 百度;北京理工大学;西北工业大学;澳大利亚国立大学等

[10].OccuSeg: Occupancy-Aware 3D Instance Segmentation

作者 | Lei Han, Tian Zheng, Lan Xu, Lu Fang

单位 | 清华;香港科技大学

解读 | https://zhuanlan.zhihu.com/p/115071145

[11].PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation

作者 | Li Jiang, Hengshuang Zhao, Shaoshuai Shi, Shu Liu, Chi-Wing Fu, Jiaya Jia

单位 | 香港中文大学;SmartMore

代码 | https://github.com/Jia-Research-Lab/PointGroup

解读 | https://zhuanlan.zhihu.com/p/129246230

[12].End-to-End 3D Point Cloud Instance Segmentation Without Detection

作者 | Haiyong Jiang, Feilong Yan, Jianfei Cai, Jianmin Zheng, Jun Xiao

单位 | 国科大;南洋理工大学;蒙纳士大学;虎牙直播

[13].3D-MPA: Multi-Proposal Aggregation for 3D Semantic Instance Segmentation

作者 | Francis Engelmann, Martin Bokeloh, Alireza Fathi, Bastian Leibe, Matthias Niessner

单位 | 亚琛工业大学;谷歌;慕尼黑工业大学

解读 | https://zhuanlan.zhihu.com/p/125728754

非监督域适应+实例分割

[14].Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-Weighting

作者 | Dongnan Liu, Donghao Zhang, Yang Song, Fan Zhang, Lauren O'Donnell, Heng Huang, Mei Chen, Weidong Cai

单位 | 悉尼大学;新南威尔士大学;哈佛医学院;匹兹堡大学;微软,美国

小样本学习+实例分割

[15].FGN: Fully Guided Network for Few-Shot Instance Segmentation

作者 | Zhibo Fan, Jin-Gang Yu, Zhihao Liang, Jiarong Ou, Changxin Gao, Gui-Song Xia, Yuanqing Li

单位 | 华南理工大学;华中科技大学;广州实验室;武汉大学

半监督学习+实例分割

[16].Learning Saliency Propagation for Semi-Supervised Instance Segmentation

作者 | Yanzhao Zhou, Xin Wang, Jianbin Jiao, Trevor Darrell, Fisher Yu

单位 | 国科大;伯克利

代码 | https://github.com/ucbdrive/ShapeProp

视频实例分割跟踪

[17].Video Instance Segmentation Tracking With a Modified VAE Architecture

作者 | Chung-Ching Lin, Ying Hung, Rogerio Feris, Linglin He

单位 | IBM Research AI;罗格斯大学

实例分割应用

生物图像实例分割

[18].Instance Segmentation of Biological Images Using Harmonic Embeddings

作者 | Victor Kulikov, Victor Lempitsky

单位 | PicsArt Inc;莫斯科三星人工智能中心

代码 | https://github.com/kulikovv/harmonic

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-06-21,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 我爱计算机视觉 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
ChatGPT:“有多少人工,就有多少智能”
👆点击“博文视点Broadview”,获取更多书讯 作者:车万翔(哈工大) 整理:李rumor ---- 最近几天被OpenAI推出的ChatGPT[1]刷屏了,其影响已经不仅局限于自然语言处理(NLP)圈,就连投资圈也开始蠢蠢欲动了,短短几天ChatGPT的用户数就超过了一百万。 通过众多网友以及我个人对其测试的结果看,ChatGPT的效果可以用惊艳来形容,具体结果在此就不赘述了。 不同于GPT-3刚推出时人们的反应,对ChatGPT大家发出更多的是赞叹之词。 聊天、问答、写作、编程等等,样样精通。
博文视点Broadview
2023/04/04
6490
ChatGPT:“有多少人工,就有多少智能”
ChatGPT一小步,NLP范式转变一大步
来源:算法邦本文约7200字,建议阅读14分钟在本文中,我们将仔细研究这些能力是什么,大型语言模型可以提供什么,以及它们在更广泛的 NLP/ML 任务中的潜在优势是什么。 [ 导语 ]作者符尧,yao.fu@ed.ac.uk,爱丁堡大学 (University of Edinburgh) 博士生,本科毕业于北京大学;与Tushar Khot,彭昊在艾伦人工智能研究院 (Allen Institute for AI) 共同完成英文原稿;与李如寐(美团NLP中心)共同翻译为中文;感谢 Aristo teamm
数据派THU
2023/04/03
2810
ChatGPT一小步,NLP范式转变一大步
哈工大计算学部长聘教授车万翔:ChatGPT浅析
机器之心报道 机器之心编辑部 3 月 21 日,在机器之心举办的 ChatGPT 及大模型技术大会上,哈尔滨工业大学计算学部长聘教授、博士生导师车万翔发表主题演讲《ChatGPT 浅析》,在演讲中,他回答了 ChatGPT 究竟解决了什么科学问题,是如何解决该问题的,以及未来还有哪些亟待解决的问题。 另外我们也了解到,车万翔教授大模型相关的科研成果也正在进行产业转化,机器之心后续将为大家带来报道。 以下为车万翔在机器之心 AI 科技年会上的演讲内容,机器之心进行了不改变原意的编辑、整理: 大家好,我是
博文视点Broadview
2023/04/04
3680
哈工大计算学部长聘教授车万翔:ChatGPT浅析
哈工大车万翔教授带你学习NLP新范式:基于预训练的方法(赠书)
经过60余年的发展,人们已经研发了各种各样自然语言处理技术,这些纷繁复杂的技术本质上都是在试图回答一个问题:语义在计算机内部是如何表示的? 根据表示方法的不同,自然语言处理技术共经历了四次范式变迁,分别是小规模专家知识、大规模语料库统计模型、大规模语料库深度学习和大规模预训练语言模型。 特别是在2010 年之后,随着基于深度神经网络的表示学习方法的兴起,该方法直接端到端地学习各种自然语言处理任务,不再依赖人工设计的特征。深度学习可以有效地避免统计学习方法中的人工特征提取操作,自动地发现对于目标任务有效的表示
机器之心
2023/03/29
5500
哈工大车万翔教授带你学习NLP新范式:基于预训练的方法(赠书)
GPT大模型的涌现能力的概述
一个一直以来的共识是,模型的规模越大,模型在下游任务上的能力越多、越强。随着最近的新的模型的提出,大规模的语言模型出现了很多超乎研究者意料的能力。我们针对这些在小模型上没有出现,但是在大模型上出现的不可预测的能力——“涌现能力”做了一些归纳和总结,分别简要介绍了涌现能力的定义、常见的激发手段和具体的分类和任务。
算法进阶
2023/08/28
8150
GPT大模型的涌现能力的概述
揭秘自然语言处理中预训练语言模型的“魔力”之源
👆点击“博文视点Broadview”,获取更多书讯 自然语言处理被誉为“人工智能皇冠上的明珠”! 深度学习等技术的引入为自然语言处理技术带来了一场革命,近年来也出现了自然语言处理的新范式。 为什么自然语言是“人工智能皇冠上的明珠”呢? 自然语言处理,英文名称是Natural Language Processing,简称NLP,主要研究用计算机来理解和生成自然语言的各种理论和方法。 其中,自然语言指的是人类语言,特指文本符号,而非语音信号。对语音信号的识别与合成属于语音处理领域的研究范畴。 自然语言处理已
博文视点Broadview
2023/05/06
2030
揭秘自然语言处理中预训练语言模型的“魔力”之源
思维链(CoT)提出者 Jason Wei:关于大语言模型的六个直觉
🍉 CSDN 叶庭云:https://yetingyun.blog.csdn.net/
叶庭云
2023/12/09
8240
思维链(CoT)提出者 Jason Wei:关于大语言模型的六个直觉
中科院张家俊:ChatGPT中的提示与指令学习
中国科学院自动化研究所研究员张家俊以ChatGPT中的提示与指令学习为题,从ChatGPT简要技术回顾、迈向通用性的提示学习、从提示学习到指令学习、相关探索与学习等角度和在场听众展开技术分享。大模型主要有两个方向,一个是“预训练+参数微调”,就是大模型有了之后针对下游任务进行微调,然后得到一个面向下游任务的大的模型,二是“预训练+提示学习”,预训练之后不变,用提示学习激发大模型来完成特定的任务。相关实践证明,学习提示对于模型性能提升非常有效,怎样学到或者找到提示语非常关键。下面是分享的详细内容。
用户10103085
2023/04/11
7220
万字长文解读:从Transformer到ChatGPT,通用人工智能曙光初现
ChatGPT掀起的NLP大语言模型热浪,不仅将各家科技巨头和独角兽们推向风口浪尖,在它背后的神经网络也被纷纷热议。但实际上,除了神经网络之外,知识图谱在AI的发展历程中也被寄予厚望。自然语言处理是如何伴随人工智能各个流派不断发展、沉淀,直至爆发的?本文作者将带来他的思考。 作者 | 王文广 出品 | 新程序员 自ChatGPT推出以来,不仅业内津津乐道并纷纷赞叹自然语言处理(Natural Language Processing, NLP)大模型的魔力,更有探讨通用人工智能(Artificial gene
AI科技大本营
2023/04/14
6460
万字长文解读:从Transformer到ChatGPT,通用人工智能曙光初现
复旦大学教授详解大规模语言模型
自2020年 OpenAI 发布了包含1750亿个参数的生成式大规模预训练语言模型 GPT-3(Gen- erative Pre-trained Transformer 3)[1]以来,包括Google、Meta、百度、智源研究院等在内的公司和研究机构纷纷发布以 PaLM[2]、LaMDA[4]、T0[5]等为代表的不同的大规模语言模型(Large Language Model ,LLM ),也称大模型。
博文视点Broadview
2023/09/07
4780
复旦大学教授详解大规模语言模型
热点解读:大模型的突现能力和ChatGPT引爆的范式转变
机器之心转载 作者:符尧、Tushar Khot、彭昊、李如寐等 符尧(yao.fu@ed.ac.uk),爱丁堡大学 (University of Edinburgh) 博士生,本科毕业于北京大学。他与 Tushar Khot、彭昊在艾伦人工智能研究院 (Allen Institute for AI) 共同完成英文原稿,与李如寐(美团 NLP 中心) 共同翻译为中文。感谢 Aristo teammates, Jingfeng Yang, and Yi Tay 的讨论与建议。请同时参考 CoT 团队的博客[1
机器之心
2023/03/29
3490
热点解读:大模型的突现能力和ChatGPT引爆的范式转变
FinGPT——为金融领域的大模型应用提供了更多的可能
在ChatGPT引领的AI浪潮下,涌现了一大批优秀的AI应用,AI正在不断地重塑一个又一个行业,今天介绍的这个AI项目是跑进github前三甲的金融领域的代表:FinGPT。
山行AI
2023/06/26
3.5K0
FinGPT——为金融领域的大模型应用提供了更多的可能
系统学习大模型的20篇论文
【引子】“脚踏实地,仰望星空”, 知其然还要知其所以然。读论文是一条重要的途径,这一篇文章https://magazine.sebastianraschka.com/p/understanding-large-language-models非常值得借鉴,不敢私藏,编译成文。
半吊子全栈工匠
2023/09/02
4.3K0
系统学习大模型的20篇论文
ChatGPT的各项超能力从哪儿来?万字拆解追溯技术路线图来了!
机器之心发布 作者:符尧、彭昊、Tushar Khot、郭志江等 符尧(yao.fu@ed.ac.uk),爱丁堡大学 (University of Edinburgh) 博士生,本科毕业于北京大学。他与彭昊、Tushar Khot在艾伦人工智能研究院 (Allen Institute for AI) 共同完成英文原稿,与剑桥大学郭志江共同翻译为中文。 感谢上海交通大学何俊贤,加州大学洛杉矶分校鲁盼,达特茅斯学院刘睿博对初稿的讨论与建议。感谢 Raj Ammanabrolu (Allen Institute
机器之心
2023/03/29
7270
ChatGPT的各项超能力从哪儿来?万字拆解追溯技术路线图来了!
GPT 模型成功的背后用到了哪些以数据为中心的人工智能(Data-centric AI)技术?
作者丨查道琛 人工智能(Artificial Intelligence, AI)最近取得了巨大的进展,特别是大语言模型(Large Language Models, LLMs),比如最近火爆全网的ChatGPT和GPT-4。GPT模型在各项自然语言处理任务上有着惊人的效果。至于具体有多强,这里就不再赘述了。做了这么多年AI研究好久没这么激动过了。没试过的朋友赶紧试一下! 正所谓「大力出奇迹」,把参数量调「大」能提高模型性能已经成为了大家的普遍共识。但是仅仅增加模型参数就够了吗?仔细阅读GPT的一系列论文后就
AI科技评论
2023/04/04
9050
GPT 模型成功的背后用到了哪些以数据为中心的人工智能(Data-centric AI)技术?
清华教授欧智坚专访,深度剖析ChatGPT的光环背后及未来挑战!
---- 新智元报道   作者:欧智坚 编辑:好困 【新智元导读】严谨谈谈ChatGPT取得的进步、不足及迈向通用人工智能(AGI)的挑战。 2022年11月底,ChatGPT一经推出,全球关注,风头依旧强劲!取代搜索引擎,奇点说,拐点说,若干职业面临失业危机,人类面临终极挑战…,面对如此热点,本文分享我们的认识,欢迎讨论和指正。 总的来说,ChatGPT取得了显著科技进步,尽管有不足,但迈向AGI(artificial general intelligence,通用人工智能)仍充满诸多挑战! 图1
新智元
2023/03/29
4100
清华教授欧智坚专访,深度剖析ChatGPT的光环背后及未来挑战!
AI_Papers周刊:第五期
1.Larger language models do in-context learning differently
AiCharm
2023/05/15
3140
AI_Papers周刊:第五期
复旦清华联合顶刊发文|ChatGPT:潜力、前景和局限
---- 新智元报道   来源:信息与电子工程前沿FITEE 作者:周杰 柯沛 邱锡鹏 黄民烈 张军平 编辑:好困 【新智元导读】为更好地理解ChatGPT,这里我们简要介绍其历史,讨论其优点和不足,指出几个潜在应用,最后分析它对可信赖人工智能、会话搜索引擎和通用人工智能(artificial general intelligence, AGI)发展的影响。 最近,OpenAI发布了对话生成预训练模型Transformer(Chat Generative Pre-trained Transformer
新智元
2023/03/29
4500
复旦清华联合顶刊发文|ChatGPT:潜力、前景和局限
自然语言处理学术速递[6.18]
访问www.arxivdaily.com获取含摘要速递,涵盖CS|物理|数学|经济|统计|金融|生物|电气领域,更有搜索、收藏、发帖等功能!点击阅读原文即可访问 cs.CL 方向,今日共计32篇 Tr
公众号-arXiv每日学术速递
2021/07/02
7300
自然语言处理学术速递[12.17]
【1】 Pushing the Limits of Rule Reasoning in Transformers through Natural Language Satisfiability 标题:通过自然语言可满足性突破Transformer规则推理的极限 链接:https://arxiv.org/abs/2112.09054
公众号-arXiv每日学术速递
2021/12/17
1.2K0
推荐阅读
相关推荐
ChatGPT:“有多少人工,就有多少智能”
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档