BBAM：用于弱监督语义与实例分割的边界框归因图
计算机视觉与模式识别
2021-03-17 v1
摘要
使用边界框标注的弱监督分割方法侧重于从每个含目标的框中获取像素级掩码。现有方法通常依赖于类不可知掩码生成器，其作用于图像固有的低层信息。本工作中，我们利用来自训练好的目标检测器行为的高层信息，通过寻找图像中使目标检测器产生与整图几乎相同结果的最小区域。这些区域构成边界框归因图（BBAM），其在边界框中识别出目标对象，从而作为弱监督语义与实例分割的伪真值。该方法在 PASCAL VOC 与 MS COCO 基准上的弱监督语义与实例分割任务中显著优于近期可比技术。此外，我们对方法进行了详细分析，以更深入洞察 BBAM 的行为。
引用
@article{arxiv.2103.08907,
title = {BBAM: Bounding Box Attribution Map for Weakly Supervised Semantic and Instance Segmentation},
author = {Jungbeom Lee and Jihun Yi and Chaehun Shin and Sungroh Yoon},
journal= {arXiv preprint arXiv:2103.08907},
year = {2021}
}
备注
CVPR 2021