Actor-Critic 实例分割
计算机视觉与模式识别
2019-04-11 v1 机器学习
摘要
大多数视觉场景分析方法都强调对图像元素的并行处理。然而，视觉顺序性显现的一个领域是场景中多个、潜在相似且部分遮挡物体的分割。本文中，我们在强化学习背景下重新审视这一挑战性问题的循环公式。受真实实例分割掩码到循环状态的全局最大匹配分配局限性的启发，我们提出了一种 actor-critic 方法，其中 actor 循环地每次预测一个实例掩码，并利用并发训练的 critic 网络传回的梯度。我们构建了状态、动作与奖励，使 critic 模型能考量当前预测的长期影响，并将该信息纳入梯度信号。此外，为在实例掩码这一固有高维动作空间中实现有效探索，我们使用条件变分自编码器学习紧凑表示。我们表明，在标准实例分割基准上，我们的 actor-critic 模型相较循环基线持续提供精度收益。
引用
@article{arxiv.1904.05126,
title = {Actor-Critic Instance Segmentation},
author = {Nikita Araslanov and Constantin Rothkopf and Stefan Roth},
journal= {arXiv preprint arXiv:1904.05126},
year = {2019}
}
备注
To appear at CVPR 2019