PerSense: Personalized Instance Segmentation in Dense Images

本文介绍了一种名为PerSense的端到端、无需训练、模型不可知的一次性框架，以解决在密集图像中自动分割个性化实例所面临的挑战。作者提出了实例检测模块(IDM)和点提示选择模块(PPSM)，将FSOC的密度图转换为个性化实例级别的点提示进行分割，并引入反馈机制来自动化示例选择过程。此外，作者还介绍了PerSense-D数据集，用于个性化实例分割。实验证明了PerSense在密集图像中的个性化实例分割任务上的有效性，并展示了该框架对野外拍摄的图像的适应性。

论文旨在解决在密集图像中自动分割个性化实例的问题。现有的模型在处理密集图像时受到边界框检测的限制，尤其是在面对遮挡、背景杂乱和物体方向等方面时。

PerSense是一个端到端、无需训练、模型无关的一次性框架，旨在解决密集图像中的个性化实例分割问题。论文提出了实例检测模块（IDM）和点提示选择模块（PPSM），将FSOC的密度图转换为个性化实例级的点提示进行分割，并引入了反馈机制来自动化示例选择过程。

论文的亮点包括：1. 提出了PerSense框架，实现了个性化实例分割；2. 引入了实例检测模块和点提示选择模块，解决了密集图像中的遮挡、背景杂乱和物体方向等问题；3. 引入了反馈机制，自动化了示例选择过程；4. 提出了PerSense-D数据集，可以用于个性化实例分割的算法研究。论文使用PerSense-D数据集验证了PerSense框架的有效性，并与SOTA进行了比较。此外，论文还展示了PerSense框架对野外图像的适应性。

最近在这个领域中，还有一些相关的研究，例如：Mask R-CNN、YOLACT、SOLO等。