论文专题笔记：part segmentation

1. Part-aware Panoptic Segmentation --CVPR2021

提供两个全景part分割数据集标注+一个新的评价指标

受之前的全景质量（PQ）指标的启发，提出了部分感知全景质量（PartPQ）。

旨在捕获 ：

1) 识别和分类全景片段的能力，即填充区域和事物实例，

2) 识别的全景片段内的部分分割质量

 

2.Unsupervised Co-part Segmentation through Assembly  --ICML2021

​​​​​​陈宝权课题组 ICML 2021入选论文解读：基于装配的视频无监督部件分割-新闻动态-北京大学前沿计算研究中心

3.Unsupervised Part Segmentation through Disentangling Appearance and Shape --CVPR2021 

​​​​​​论文笔记：CVPR2021 Unsupervised Part Segmentation through Disentangling Appearance and Shape_Blair_2的博客-优快云博客 part segmentation 需满足两个限定：semantics、geometry -->目标的appearance和shape

semantic constraint:相同part语义一致性，对外观和形状的改变具有一定的鲁棒性

geometry constraint：区域局部相连，所有part的并集覆盖整个目标

CVPR2019的文章缺乏对objects-as-union-of-parts constraints，依赖saliency map。

Method：

分开-合成：外观和形状表达

 重建loss + part 分类loss l_cls + 前景背景loss

 重建loss：使用Perceptual Loss(感知loss)，其源自图像风格迁移（风格+内容）。Perceptual Loss: 提速图像风格迁移1000倍 - 知乎

Part Classification Loss：针对feature map F, 使用ArcFace loss，源自人脸识别。

人脸识别损失函数之ArcfaceLoss_Toocy7的博客-优快云博客_arcface loss

​​​​​​人脸识别合集 | 10 ArcFace解析 - 知乎

Foreground/Background Concentration Loss：对前人工作的改进

​​​​​​论文笔记：CVPR2019 SCOPS: Self-Supervised Co-Part Segmentation_Blair_2的博客-优快云博客

背景尽可能的靠近边缘，而非直接设置常数。