具有边界表示学习的由粗到细实例分割网络
计算机视觉与模式识别
2021-06-21 v1 人工智能
摘要
基于边界的实例分割因其引人注目的效率而备受关注。然而，现有方法受制于长距离回归的困难。本文中，我们提出一个由粗到细模块以解决该问题。在粗阶段生成近似边界点，然后采样这些点的特征并输入精细回归器进行精细预测。由于模块良好支持微分采样操作，它是端到端可训练的。此外，我们设计了一个整体边界感知分支并引入实例无关监督以辅助回归。配备 ResNet-101，我们的方法在 COCO 数据集上以单尺度训练与测试取得 31.7% mask AP，以少于 1% 的额外参数和 GFLOPs 超越基线 1.3% mask AP。实验还表明，与现有基于边界的方法相比，我们所提方法以轻量设计和简单流程取得了具竞争力的性能。
引用
@article{arxiv.2106.10213,
title = {A Coarse-to-Fine Instance Segmentation Network with Learning Boundary Representation},
author = {Feng Luo and Bin-Bin Gao and Jiangpeng Yan and Xiu Li},
journal= {arXiv preprint arXiv:2106.10213},
year = {2021}
}
备注
8 pages, Accepted by IJCNN 2021