AdaptIS：自适应实例选择网络
计算机视觉与模式识别
2019-09-18 v1
摘要
我们提出用于类无关实例分割的自适应实例选择网络架构。给定输入图像和点，它生成位于处物体的掩码。该网络借助AdaIN层适应输入点，从而在同一图像上为不同物体生成不同掩码。AdaptIS生成像素级精确的物体掩码，因此能准确分割形状复杂或严重遮挡的物体。AdaptIS可轻松与标准语义分割流程结合以执行全景分割。为阐明该思路，我们在一个具有困难遮挡的挑战性玩具问题上进行了实验。随后我们在全景分割基准上广泛评估了该方法。即使在未使用COCO预训练的情况下，我们在Cityscapes和Mapillary上取得了最先进(state-of-the-art)结果，并在具挑战性的COCO数据集上展示了有竞争力的结果。该方法的源代码及训练模型可在 https://github.com/saic-vul/adaptis 获取。
引用
@article{arxiv.1909.07829,
title = {AdaptIS: Adaptive Instance Selection Network},
author = {Konstantin Sofiiuk and Olga Barinova and Anton Konushin},
journal= {arXiv preprint arXiv:1909.07829},
year = {2019}
}
备注
Accepted at ICCV 2019