To handle this scaling issue, we propose the Omni-Seg network, a scale-aware dynamic neural network that achieves multi-object (six tissue types) and multi-scale (5$\times$ to 40$\times$ …

2021年12月23日 · In this paper, we propose a dynamic single segmentation network (Omni-Seg) that learns to segment multiple tissue types using partially labeled images (i.e., only one tissue type is labeled for each training image) for renal pathology.

我们提出了OMG-Seg，一个模型足够好，能够高效有效地处理所有分割任务，包括图像语义分割、实例分割、全景分割，以及它们的视频对应任务、开放词汇设置、以提示驱动的交互分割（如 SAM），以及 视频对象分割。

2022年6月27日 · In this paper, we propose the Omni-Seg+ network, a scale-aware dynamic neural network that achieves multi-object (six tissue types) and multi-scale (5X to 40X scale) pathological image segmentation via a single neural network.

2024年1月24日 · 本文统一解决了各种分割任务，提出的OMG-Seg，即一种模型，足够出色，能够高效而有效地处理所有分割任务， 包括图像语义分割、实例分割、全景分割，以及它们的视频对应任务、开放词汇设置、由提示驱动的交互分割（如SAM）和视频目标分割。

We show that OMG-Seg, a transformer-based encoder-decoder architecture with task-specific queries and outputs, can support over ten distinct segmentation tasks and yet significantly reduce computational and parameter overhead across various tasks and datasets.

2024年6月14日 · 本文提出了OMG-Seg框架，它是 一种统一的分割模型可以把超过10个以上的不同的分割任务统一到一个框架下，仅仅使用70M的训练参数，即在多个不同的分割数据集上取得不错的结果。

2024年2月27日 · OMG-Seg：一种足以高效且有效地处理所有分割任务的模型，包括图像/视频语义、实例和全景分割，以及开放词汇、提示驱动、交互式分割等，性能表现极其出色！

2024年5月13日 · 语义分割任务旨在将图像中的每个像素分配到特定的语义类别，实例分割任务旨在将图像中的每个物体实例分割为单独的掩码，全景分割任务是语义分割和实例分割的统一，包括可数的物体类别和不可数的背景类别。 对于这些任务，我们采用了掩码分类架构，其中每个掩码与一个语义标签相关联。 视频分割： 目标是获得一个 掩码 管。 每个掩码管包括掩码、类别标签和实例ID。 掩码管可以分类为可数的物体类别或不可数的背景类别，物体类别具有唯一的ID。 视 …

2024年2月27日 · 我们提出了OMG - Seg，一个足以有效和有效地处理所有的分割任务的模型，包括图像语义、实例和全景分割，以及它们的视频对应物、开放词汇设置、提示驱动、交互式分割 (如 SAM )和视频对象分割。