一种具有边界不确定性估计的弱监督非模态分割器
计算机视觉与模式识别
2021-09-01 v2
摘要
本文研究弱监督非模态实例分割，其目标是分割可见和被遮挡（非模态）的物体部分，而训练仅提供真实可见（模态）分割。遵循先前工作，我们使用数据操纵在训练图像中生成遮挡，从而训练分割器预测操纵数据的非模态分割。在训练图像上得到的预测被作为伪真实标签用于 Mask-RCNN 的标准训练，我们将其用于测试图像的非模态实例分割。为生成伪真实标签，我们提出了一种基于边界不确定性估计的新非模态分割器（ASBU），并做出两点贡献。首先，先前工作使用遮挡物的掩码，而我们的 ASBU 使用遮挡边界作为输入。其次，ASBU 估计预测的不确定性图。估计的不确定性对学习进行正则化，使得在高不确定性区域上产生较低的分割损失。ASBU 在 COCOA 和 KINS 数据集上的三个任务——非模态实例分割、非模态补全和顺序恢复中，相对于当前最优方法取得了显著的性能提升。
引用
@article{arxiv.2108.09897,
title = {A Weakly Supervised Amodal Segmenter with Boundary Uncertainty Estimation},
author = {Khoi Nguyen and Sinisa Todorovic},
journal= {arXiv preprint arXiv:2108.09897},
year = {2021}
}
备注
Accepted to ICCV 2021