Multi-level modeling-based amodal instance segmentation network

doi:10.1007/s11227-025-07667-z

2025-09-16

PRE

DOI：10.1007/s11227-025-07667-z

原文链接

原文求助

摘要

En 中文

欠融合实例分割旨在重建遮挡物体的完整形状，包括不可见部分。它能为语义映射和目标跟踪等后续任务提供显著优势。尽管现有方法已取得令人鼓舞的结果，但通过解决物体部件间相关性利用不足及预测掩码间冲突未解等当前挑战，可进一步提升性能。本研究中，我们提出MAS-Net，一种强大的两阶段网络用于欠融合实例分割，可预测遮挡物体中类别无关的遮挡者、可见、不可见及欠融合掩码。MAS-Net引入两种关键机制以弥补当前不足。我们提出多级建模（MLM）机制，通过定义特征集成阶段与预测顺序来分析物体遮挡。在此基础上，构建相应MLM头，使MAS-Net能够渐进高效地完成类别无关掩码预测。此外，提出掩码融合机制以缓解推理阶段预测掩码间的冲突。我们在四个欠融合数据集（即COCOA-cls、KINS、D2SA和CWALT）上对MAS-Net进行了实验验证。实验结果表明，MAS-Net通过取得优于大多数当前最先进方法的性能，展现了其卓越性。代码公开于https://github.com/jiaoZ7688/MAS-Net。

Keyword:

Amodal instance segmentation

Multi-level modeling

Instance segmentation

Category-agnostic