实体
RGB-D semantic segmentation
RGB-D semantic segmentation
PulseAugur coverage of RGB-D semantic segmentation — every cluster mentioning RGB-D semantic segmentation across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
DTFormer 集成文本以改进RGB-D语义分割
研究人员推出了一种新颖的RGB-D语义分割框架DTFormer,该框架集成了文本引导的语义对齐。该方法利用语言先验知识,通过将多模态RGB-D特征与从文本派生的语义原型对齐,来增强分割模型的判别能力。在各种基准测试上的实验表明,DTFormer 在保持效率的同时实现了性能的一致性提升,证明了显式语义对齐在此任务中的有效性。
-
新的URNet架构提高了RGB-D语义分割效率
研究人员推出URNet,一种专为高效RGB-D语义分割设计的新型网络。与之前使用双编码器的 D 方法不同,这种统一网络在一个编码器内集成了多模态特征提取和跨模态融合。URNet采用重参数化策略以实现快速推理,并使用线性门控注意力模块来有效结合RGB和深度线索。此外,还开发了金字塔融合解码器以提高分割性能。在各种基准测试上的实验表明,URNet在保持高效率的同时取得了最先进的成果。
-
新的条件丢弃方法提高了RGB-D分割的鲁棒性
研究人员开发了一种名为条件丢弃(Condition Dropout, ConD)的新方法,以提高RGB-D语义分割模型的鲁棒性。这些模型通常需要RGB和深度数据,但实际的传感器故障可能导致其中一种模态缺失。ConD通过在持续训练阶段模拟缺失模态来解决这个问题,这有助于模型在两种模态都存在时更好地利用剩余数据,而不会牺牲性能。在NYU-Depth V2和SUN RGB-D数据集上的实验表明,ConD提高了鲁棒性,甚至在完整模态场景下略微…