基于贝叶斯模型的跨任务与分布外泛化的非模态分割
计算机视觉与模式识别
2022-07-12 v4
摘要
非模态补全是人类轻易执行但计算机视觉算法难以完成的视觉任务。其目标是分割那些被遮挡因而不可见的物体边界。该任务对深度神经网络尤为困难，因为数据难以获取与标注。因此，我们将非模态分割表述为跨任务与分布外泛化问题。具体而言，我们用神经网络特征的贝叶斯生成模型替换神经网络中的全连接分类器。该模型仅使用边界框标注与类别标签从非遮挡图像训练，但被应用于跨任务泛化到物体分割，并分布外泛化到分割被遮挡物体。我们展示了此类贝叶斯模型如何在学习建模物体背景上下文与形状的先验时，自然地泛化到训练任务标签之外。此外，通过利用离群值过程，贝叶斯模型可进一步分布外泛化以分割部分遮挡物体并预测其非模态物体边界。我们的算法以较大优势优于使用相同监督的替代方法，甚至在遮挡量较大时优于训练中使用标注非模态分割的方法。代码公开于 https://github.com/YihongSun/Bayesian-Amodal。
引用
@article{arxiv.2010.13175,
title = {Amodal Segmentation through Out-of-Task and Out-of-Distribution Generalization with a Bayesian Model},
author = {Yihong Sun and Adam Kortylewski and Alan Yuille},
journal= {arXiv preprint arXiv:2010.13175},
year = {2022}
}
备注
CVPR 2022