Understanding Multi-Granularity for Open-Vocabulary Part Segmentation

开放式词汇部分分割（OVPS）是一个新兴的研究领域，专注于基于多样化和以前未见过的词汇对细粒度实体进行分割。我们的研究强调了部分分割的固有复杂性，这是由于复杂的边界和多样化的粒度，反映了部分识别的基于知识的本质。为了应对这些挑战，我们提出了PartCLIPSeg，这是一个利用广义部分和对象级上下文来缓解细粒度部分通用性不足的新框架。PartCLIPSeg集成了竞争性部分关系和注意力控制技术，缓解了模糊的边界和代表性不足的部分。实验结果表明，PartCLIPSeg优于现有的最先进的OVPS方法，提供了精细的分割和对图像部分关系的高级理解。通过广泛的实验，我们的模型在Pascal-Part-116、ADE20K-Part-234和PartImageNet数据集上展示了对最先进模型的改进。

本论文旨在解决开放词汇部分分割（OVPS）领域中的细粒度实体分割问题，提高对图像中部分关系的理解。

本文提出了一种新的框架PartCLIPSeg，利用广义部件和对象级上下文来缓解细粒度部件中的泛化问题。该框架整合了竞争性部件关系和注意力控制技术，缓解了不确定的边界和欠表示的部分。实验结果表明，PartCLIPSeg在Pascal-Part-116、ADE20K-Part-234和PartImageNet数据集上优于现有的OVPS方法，提供了更精细的分割和部分关系的高级理解。

本文提出了一种新的框架PartCLIPSeg，整合了竞争性部件关系和注意力控制技术，缓解了不确定的边界和欠表示的部分。实验结果表明，PartCLIPSeg在多个数据集上优于现有的OVPS方法。本文的工作值得继续深入研究。

最近的相关研究包括：《Learning to Segment Object Candidates via Recursive Neural Networks》、《Deep Part-Based Object Detection and Instance Segmentation》、《Learning to Segment Every Thing》等。