Ovis
PulseAugur coverage of Ovis — every cluster mentioning Ovis across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
QueenVIS框架在无视频训练的情况下增强了视频实例分割
研究人员推出了一种名为QueenVIS的新颖框架，旨在通过关注单帧训练期间对象查询的质量来改进视频实例分割（VIS）。该方法挑战了传统上对视频级监督和昂贵身份一致性标注的依赖。QueenVIS通过用于特征和中心预测的辅助头来增强对象查询，这些辅助头在推理过程中被丢弃，不会增加计算开销。该框架利用一种无需训练的查询传播方法和一个内存库来维护时间身份，在YouTube-VIS和OVIS等基准测试中取得了显著的性能提升。
-
新的SA-VIS方法使用稀疏标注训练视频分割
研究人员开发了SA-VIS，一种使用稀疏帧标注训练视频实例分割（VIS）模型的新颖方法。该方法显著降低了传统VIS训练相关的计算成本和标注工作量，而传统方法通常需要密集标注的帧。SA-VIS采用过去帧特征传播模块和轻量级实例查询，有效地从稀疏标签中学习，以最小的性能损失弥合了稀疏和密集标注方法之间的准确性差距。
-
新的TSA方法增强了无监督视频对象学习
研究人员引入了时间槽激活（TSA），这是一种旨在改进无监督视频对象中心学习的新机制。TSA通过学习每个槽、每帧的激活分数来管理对象表示的生命周期，从而解决了现有方法的局限性。通过将非活动槽锚定到其先前状态并抑制其参与解码，可以防止状态漂移和重建干扰。TSA还包含一个时间上下文编码器，以增强部分遮挡和逐渐重新出现期间的激活预测，在各种基准测试中展示了对象分解和时间身份保留方面的显著改进。
-
新框架诊断视频实例分割中的跟踪不稳定性
研究人员开发了一个新的诊断框架，用于分析视频实例分割（VIS）中的性能瓶颈。该框架使用整数线性规划（ILP）来分离分类、分割和跟踪目标中的错误来源。分析显示，跟踪不稳定性是在线VIS方法的一个主要问题，尤其是在较长的视频或更密集的场景中，并且更强的骨干网络并不能显著提高跟踪性能。