上传图像以自定义存储库的社交媒体预览。图像应至少为640×320px(1280×640px为最佳显示)。
在您的github自述.md文件到展示模型的性能。
自述.md
徽章是实时的,将是动态的更新了此的最新排名纸张。
[![PWC](https://img.shields.io/endpoint.svg?url=https://paperswitchcode.com/badge/upsnet-a-unified-panoptic-segration/on-indian-driving-1)](https://paperswithcode.com/sota/panoptic-segition-on-indian-driving-1?p=upsnet-a-统一全景分割)
[![PWC](https://img.shields.io/endpoint.svg?url=https://paperswithcode.com/bade/upsnet-a-unified-panoptic-segition/on-kitti-panoptic-1)](https://paperswithcode.com/sota/panoptic-segition-on-kitti-panoptic-1?p=upsnet-a-统一全景分割)
[![PWC](https://img.shields.io/endpoint.svg?url=https://paperswithcode.com/bade/upsnet-a-统一全景分割/城市全景分割-val)](https://paperswitchcode.com/sota/城市景观全景分割val?p=upsnet-a-统一全景分割)
[![PWC](https://img.shields.io/endpoint.svg?url=https://paperswithcode.com/bade/upsnet-a-统一全景分割/全景分割-协同测试-dev)](https://paperswithcode.com/sota/panoptic-segition-on-coco-test-dev?p=upsnet-a-统一全景分割)
2019年CVPR · 熊宇文, 廖仁杰, 赵恒双, 胡锐(Rui Hu), Min Bai(白敏), 埃尔辛·尤默, 拉奎尔·厄塔松 · 编辑社交预览
本文提出了一种统一的全景分割网络(UPSNet)用于处理新提出的全景分割任务。在单曲的顶部主干剩余网络,我们首先设计了一种基于可变形卷积的语义分割头和Mask R-CNN风格的实例分割头同时解决这两个子任务。更重要的是,我们引入了无参数全景头,通过像素分类。它首先利用前两个逻辑头部,然后创新性地扩展表示以启用预测一个额外的未知类,它有助于更好地解决语义和实例分割。此外,它还能应对挑战由不同数量的实例引起,并允许反向传播到端到端方式的底层模块。关于城市景观、COCO和我们的内部数据集表明,我们的UPSNet实现了先进的性能和更快的推理。代码已生成网址:https://github.com/uber-research/UPSNet网站
排名第三全景分割印度驾驶数据集