全景分割任务（Panoptic Segmentation）要求图像中的每个像素点都必须被分配给一个语义标签和一个实例id。其中，语义标签指的是物体的类别，而实例id则对应同类物体的不同编号。
目前，分割任务大多按照不可数目标（stuff类别）和可数目标（things类别）进行单独的分割。造成二者无法统一在同一分割任务下的主要原因是缺少合适的度量矩阵。
除此之外，全景分割的实现也面临着其他难题。比如，与语义分割相比，全景分割的困难在于要优化全连接网络的设计，使其网络结构能够区分不同类别的实例；而与实例分割相比，由于全景分割要求每个像素只能有一个类别和id标注，因此不能出现实例分割中的重叠现象。
AMiner整理了CVPR 2021全景分割领域的四篇论文。
1.论文名称：Panoptic Segmentation Forecasting
论文链接：https://www.aminer.cn/pub/607039e091e01101ef3d8c4f/
2.论文名称：Panoptic-PolarNet: Proposal-free LiDAR Point Cloud Panoptic Segmentation
论文链接：https://www.aminer.cn/pub/6062fc7991e0118c891f1a21/
3.论文名称：Cross-View Regularization for Domain Adaptive Panoptic Segmentation
论文链接：https://www.aminer.cn/pub/6040baca91e011a0653f0810/
4.论文名称：4D Panoptic LiDAR Segmentation
论文链接：https://www.aminer.cn/pub/6037949d91e011d7c73cd615/
AMiner,让AI帮你理解科学：https://www.aminer.cn/
阅读原文，直达AMiner!
