Scene-Centric Unsupervised Panoptic Segmentation
Oliver Hahn, Christoph Reich, Nikita Araslanov, Daniel Cremers, Christian Rupprecht, Stefan Roth
无监督泛光分割旨在将图像分割成语义上有意义的区域和不同的对象实例,而无需对手动注释数据进行训练。 与先前关于无监督泛光场景理解的工作相反,我们消除了对以对象为中心的训练数据的需求,从而实现对复杂场景的无监督理解。 为此,我们提出了第一个无监督的泛光学方法,直接训练以场景为中心的图像。 特别是,我们提出了一种方法,在复杂的以场景为中心的数据上获得高分辨率的泛光学伪标签,结合视觉表示,深度和运动线索。 利用伪标签训练和泛光学自我训练策略,可以采用一种新颖的方法,可以准确预测复杂场景的泛光分割,而无需任何人类注释。 我们的方法显着提高了泛光质量,例如,在PQ中,城市景观的无监督全景分割的最新技术水平超过了9.4%。
Unsupervised panoptic segmentation aims to partition an image into semantically meaningful regions and distinct object instances without training on manually annotated data. In contrast to prior work on unsupervised panoptic scene understanding, we eliminate the need for object-centric training data, enabling the unsupervised understanding of complex scenes. To that end, we present the first unsupervised panoptic method that directly trains on scene-centric imagery. In particular, we propose an ...
