语义分割相关 AI 资讯

7月1日

11:35

官方账号arXiv cs.LG@Nikolai Röhrich, Julian Gleißner, Ahmed H. A. Ibrahim, Silvan Mertes, Tobias Huber

该论文提出一种不确定性引导的合成上下文增强策略，利用基线分割器的预测熵识别不确定语义区域，仅对互补视觉上下文进行修补。在Cityscapes、UAVID和BDD100K数据集上，微调后mIoU分别提升1.2%、2.1%和1.8%，尤其在公交车、火车和汽车等稀有类别上增益最大。该方法无需外部模型，严格保持标签有效性，且计算损失时仅基于原始像素。

论文扩散模型 Cityscapes 语义分割数据增强不确定性

推荐理由：搞语义分割的可以试试这个，它只增强模型犯难的区域，在几个自动驾驶数据集上提点挺明显，尤其是稀有类别。

原文

6月16日

12:12

官方账号arXiv cs.LG@Tran Dinh Tien, Zhiqiang Shen

ActiveSAM是一个无需训练、零样本推理的框架，将SAM 3改造为主动词汇分割器。它先通过低分辨率预视估计图像条件下的活跃类别集，再对保留类别进行全分辨率解码。在8个开放词汇语义分割基准上，ActiveSAM平均mIoU比当前最优的SegEarth-OV3高1.4，且在大词汇数据集上速度提升高达5.5倍。该方法无需目标数据集训练或权重更新，在图像损坏鲁棒性测试中也表现最强。

论文 ActiveSAM SAM 3 SegEarth-OV3 开放词汇分割语义分割

推荐理由：研究者用ActiveSAM让SAM 3分割更快更准，比SegEarth-OV3提升1.4的mIoU，速度快5.5倍，还不用重新训练。

原文

6月15日

11:13

官方账号arXiv cs.LG@Constanza A. Molina Catricheo, Simon Boeder, Ting-Jia Guo, Giacomo May, Clément Berthelot, Devis Tuia, Friedrich Fedor Reinhard, Fabio Remondino, Benjamin Risse

该研究发布了1.4 TB多模态无人机数据集，覆盖104棵含巢树木，包含27,945张RGB图像、111,780张多光谱图像及约7.81亿个3D点。语义分割基准测试中，Point Transformer V3在测试集上达到86.35% mIoU，优于KPConv和RandLA-Net。数据集结合光谱、空间与结构信息，可支持巢体积估计等生态应用，并为极端类别不平衡下的3D分割算法提供挑战性基准。

论文 NEST3D 多模态 3D分割语义分割数据集

推荐理由：生态数据集，3D分割新基准

原文