GitHub 热门项目：masa

GitHub 项目：masa 仓库地址：https://github.com/siyuanliii/masa 星级：1377 | 作者：思源liiii 项目描述：CVPR24亮点论文的正式实现：Matching Anything by Segmenting Anything =================================================== 自述文件内容：

# 通过分割任何内容来匹配任何内容 [CVPR24 亮点] [ [项目页面](https://matchinganything.github.io/) ] [ [ArXiv](https://arxiv.org/abs/2406.04221) ] [苏黎世联邦理工学院计算机视觉实验室](https://vision.ee.ethz.ch/)

## 新闻和更新 - 2024.09：更新repo [TETA](https://github.com/siyuanliii/TETA)，使TAO TETA基准、Open-vocabulary MOT基准和BDD100K MOT和MOTS基准的评估变得更容易！ - 2024.06：MASA代码发布！ - 2024.04：MASA荣获CVPR亮点！ ## 概述这是 MASA 的存储库，MASA 是一个通用实例外观模型，用于匹配任何域中的任何对象。 MASA 可以添加到任何检测和分割模型之上，以帮助他们跟踪检测到的任何对象。

## 简介复杂场景中视频帧中相同对象的稳健关联对于许多应用来说至关重要，尤其是多对象跟踪 (MOT)。当前的方法主要依赖于标记的特定领域视频数据集，这限制了学习的相似性嵌入的跨域泛化。我们提出了 MASA，这是一种用于鲁棒实例关联学习的新颖方法，能够跨不同域匹配视频中的任何对象，而无需跟踪标签。利用分段任意模型 (SAM) 中丰富的对象分段，MASA 通过详尽的数据转换来学习实例级对应关系。我们将 SAM 输出视为密集对象区域建议，并学习从大量图像集合中匹配这些区域。我们进一步设计了一个通用 MASA 适配器，它可以与基础分割或检测模型协同工作，并使它们能够跟踪任何检测到的对象。这些组合在复杂领域中呈现出强大的零样本跟踪能力。对多个具有挑战性的 MOT 和 MOTS 基准的广泛测试表明，所提出的方法仅使用未标记的静态图像，在零镜头关联中比使用完全注释的域内视频序列训练的最先进方法实现了更好的性能。 ## 开放词汇 MOT 基准测试结果 <表> <标题> 方法基础小说型号 TETA 协会 TETA 协会 <正文> OVTrack (CVPR23) 35.5 36.9 27.8 33.6 - MASA-R50🔥 46.5 43.0 41.1 42.7

分享文章：

订阅66必读