一种用于实例分割的新型感兴趣区域提取层
计算机视觉与模式识别
2022-06-22 v2
摘要
鉴于深度神经网络架构在计算机视觉任务中的广泛普及，若干新型应用如今愈发可行。其中，借助由R-CNN衍生的两阶段网络（如Mask R-CNN或Faster R-CNN）所能达到的结果，实例分割近来受到特别关注。在这些复杂架构中，感兴趣区域（RoI）提取层发挥着关键作用，其负责从附着于骨干网络顶部的单一特征金字塔网络（FPN）层中提取一致的特征子集。本文的动机在于克服现有RoI提取器仅从FPN中选择一层（最优层）的局限。我们的直觉是所有FPN层都保留有用信息。因此，所提出的层（称为通用RoI提取器——GRoIE）引入非局部构建模块与注意力机制以提升性能。我们在组件层面进行了全面的消融研究，以寻找GRoIE层的最佳算法与参数组合。此外，GRoIE可无缝集成于任意两阶段架构中，用于目标检测与实例分割任务。因此，我们也评估了在不同最先进架构中使用GRoIE所带来的改进。所提出的层在边界框检测上带来最高1.1% AP的提升，在实例分割上带来最高1.7% AP的提升。代码已在GitHub仓库公开：https://github.com/IMPLabUniPr/mmdetection/tree/groie_dev
引用
@article{arxiv.2004.13665,
title = {A novel Region of Interest Extraction Layer for Instance Segmentation},
author = {Leonardo Rossi and Akbar Karimi and Andrea Prati},
journal= {arXiv preprint arXiv:2004.13665},
year = {2022}
}