基于可见区域分割与形状先验的非模态分割

几乎所有现有的非模态分割方法都利用对应于整幅图像的特征来推断被遮挡区域。这违背了人类的非模态感知，人类利用目标的可见部分与形状先验知识来推断被遮挡区域。为模仿人类行为并解决学习中的歧义，我们提出了一个框架，它首先估计一个粗可见掩码与一个粗非模态掩码。然后基于粗预测，我们的模型通过聚焦于可见区域并利用记忆中的形状先验来推断非模态掩码。如此，对应于背景与遮挡的特征可在非模态掩码估计中被抑制。因此，在给定相同可见区域时，非模态掩码不会受遮挡物是什么的影响。形状先验的利用使非模态掩码估计更鲁棒且合理。我们提出的模型在三个数据集上进行了评估。实验表明，我们提出的模型优于现有的最优（SOTA）方法。形状先验的可视化表明码本中类别特定的特征具有一定的可解释性。