标签
Lang-SVG 提出了一种分层图像矢量化方法,将 SVG 图元组织成带有语义标签的树状结构,利用粒度可控的分割先验和多模态大语言模型(MLLM),使矢量图形与人类感知的对象-部件层次结构相对齐,在渲染保真度和结构质量方面达到了当前最先进的水平。
本文介绍了一种用于开放词汇语义分割的偏好引导适应框架,该框架利用提示分歧生成二元偏好,消除了对密集像素级标注的需求,并在专业领域中提高了性能。
本文介绍了RGBD20K,这是一个用于RGB-D语义分割的大规模基准数据集,包含160个细粒度类别和20,000对图像,具有高质量注释和一种新颖的分数净化融合方法。
PAANI 是一种用于河流机器人模拟的设备端感知指导架构,它结合了 YOLO11n 和 MobileNetV3-Small 模型,并在 Arduino UNO Q 上进行证据融合,以提供可解释性的导航建议,评估结果在边缘AI应用中表现出良好前景。
一项基准测试显示,CABiNet(一种2021年的高效架构)在 UAVid 数据集的实时语义分割任务上,其精度与延迟的权衡优于 YOLO26-sem。
LingBot-Vision 是一系列用于密集空间感知的自监督视觉Transformer骨干网络,通过掩码边界建模来捕获语义和几何结构,适用于深度估计和分割等任务。
本文介绍了CW-BASS v2,一种用于半监督语义分割的饱和度感知伪标签选择方法,该方法根据教师的可靠性在严格过滤和自适应置信度下限之间自适应切换。使用DINOv2教师,在多个基准测试上显示了优于基线的结果。
PixCon 提出了一种用于半监督语义分割的干净正样本像素对比框架,通过每类记忆库保证正样本集无污染,在 Pascal VOC、Cityscapes 和 ADE20K 等基准上的准确率优于现有方法。
MMDiff 通过轻量级解码器将冻结的扩散变换器扩展为多模态生成系统,通过多时间步特征融合,在语义分割和其他感知任务上实现了显著改进。
本文介绍了SemanticSeg,一个用于长文本语义分割的大规模数据集,以及块蒸馏(block distillation)训练框架,该框架使块注意力模型能够接近全注意力性能,从而在RAG和长上下文场景中改善KV缓存复用。
本文提出了一种用于预测性维护的语义特征分割框架,将监测信号分解为规范成分和残差成分,以提高可解释性,同时保持预测性能。
本文引入了一个针对低资源阿拉伯语方言的语义分割基准,并提出了一种模型,该模型在会话式语音上的性能优于标准基线模型。
本文介绍了 DiGSeg 框架,该框架利用潜在空间条件控制和文本引导对齐,将预训练的扩散模型重新用于实现最先进的语义分割和开放词汇分割。