編輯｜極市平臺
本文原創首發極市平臺，轉載請獲得授權并標明出處。

從 CVPR2021 公布結果開始，極市就一直對最新的 CVPR2021 進行分類匯總，共分為33個大類，包含檢測、分割、估計、跟蹤、醫學影像、文本、人臉、圖像視頻檢索、圖像處理、三維視覺等多個方向。所有關于CVPR的論文整理都匯總在了我們的Github項目中，該項目目前已收獲7500 Star。

Github項目地址（點擊閱讀原文即可跳轉）：

https://github.com/extreme-assistant/CVPR2021-Paper-Code-Interpretation

此前，我們對XXX進行了盤點，在本文中，我們將對CVPR2021接收論文中的16篇全景分割論文進行盤點和梳理接下來也會繼續進行其他領域的 CVPR2021 論文盤點。如有遺漏或錯誤，歡迎大家在評論區補充指正。

注：在 極市平臺 回復關鍵詞“CVPR21分割”，即可獲得以下論文打包下載。

論文一

Fully Convolutional Networks for Panoptic Segmentation（Oral）

標題：用于全景分割的全卷積網絡

論文：https://arxiv.org/abs/2012.00720

代碼：https://github.com/Jia-Research-Lab/PanopticFCN

本文提出了一個概念簡單、強大且有效的全景分割框架，稱為全景FCN。 本文方法旨在統一的全卷積管道中表示和預測前景目標和背景目標。特別的，全景FCN將每個實例編碼到一個特定的內核中，并直接通過卷積生成預測。如下圖所示，這種方法可以在在統一的工作流中分別滿足實例感知以及語義一致性。全景FCN的核心思想是：在全卷積的管道中使用生成的內核均勻地表示和預測。在沒有定位或實例分離的額外框的情況下，本文所提出的方法在具有單尺度輸入的 COCO、Cityscapes 和 Mapillary Vistas 數據集上以高效率優于以前的基于框和無框模型。

全景FCN與過往研究的不同主要體現在兩個方面：（1）在可數目標生成方面，全景FCN輸出密集預測，然后利用NMS去除重疊，設計框架生成實例感知內核并直接生成每個特定實例；（2）與傳統的基于FCN的不可數目標預測方法相比，即以逐像素的方式選擇最可能的類別，全景FCN將全局上下文聚合到語義一致的內核中，并以整體實例的方式呈現現有語義類的結果。

全文鏈接：CVPR2021 論文大盤點：全景分割論文匯總（共15篇）

關注極市平臺公眾號，獲取最新CV干貨

總結

以上是生活随笔為你收集整理的CVPR2021 论文大盘点：全景分割论文汇总（共15篇）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。