نویسندگان:
(1) Zhaoqing Wang، دانشگاه سیدنی و AI2Robotics.
(2) Xiaobo Xia، دانشگاه سیدنی.
(3) Ziye Chen، دانشگاه ملبورن.
(4) Xiao He، AI2Robotics.
(5) Yandong Guo، AI2Robotics؛
(6) مینگ مینگ گونگ، دانشگاه ملبورن و دانشگاه هوش مصنوعی محمد بن زاید.
(7) Tongliang Liu، دانشگاه سیدنی.
جدول پیوندها
چکیده و 1. مقدمه
2. آثار مرتبط
3. روش و 3.1. تعریف مشکل
3.2. پایه و 3.3. چارچوب Uni-OVSeg
4. آزمایشات
4.1. جزئیات پیاده سازی
4.2. نتایج اصلی
4.3. مطالعه ابلیشن
5. نتیجه گیری
6. تأثیرات و مراجع گسترده تر
الف. جزئیات چارچوب
ب. تقسیم بندی سریع
ج. تجسم
4.2. نتایج اصلی
تقسیم بندی معنایی واژگان باز. همانطور که در Tab نشان داده شده است. 1، مطالعه ما یک مقایسه جامع از Uni-OVSeg ما با کارهای قبلی در طیف وسیعی از معیارها ارائه می‌کند. اینها عبارتند از ADE20K (شامل انواع کلاس 150 و 847)، PASCAL Context (انواع کلاس 459 و 59)، PASCAL VOC (با 20 و 21 دسته کلاس) و Cityscapes. در مقایسه با روش‌های با نظارت ضعیف، Uni-OVSeg بهبود عملکرد قابل توجهی را در تمام مجموعه داده‌های ارزیابی‌شده نشان می‌دهد. به طور خاص، در مجموعه داده های چالش برانگیز PASCAL Context-459، Uni-OVSeg نه تنها…