保边界 Mask R-CNN
计算机视觉与模式识别
2020-07-20 v1
摘要
在实例分割中，人们已做出巨大努力来提升掩码定位精度。依赖全卷积网络的现代实例分割方法执行逐像素分类，忽略了物体边界与形状，导致粗糙且不清晰的掩码预测结果以及不精确的定位。为补救这些问题，我们提出一个概念上简单却有效的保边界 Mask R-CNN（BMask R-CNN），利用物体边界信息来提升掩码定位精度。BMask R-CNN 包含一个保边界掩码头，其中物体边界与掩码通过特征融合块相互学习。因此，预测掩码与物体边界对齐得更好。无需额外技巧，BMask R-CNN 在 COCO 数据集上以可观的幅度优于 Mask R-CNN；在 Cityscapes 数据集上，有更精确的边界真值可用，因此 BMask R-CNN 相较 Mask R-CNN 取得显著改进。此外，如图 1 所示，当评估准则要求更好的定位（例如 AP）时，观察到 BMask R-CNN 获得更明显的提升并不令人意外。代码与模型可在 \url{https://github.com/hustvl/BMaskR-CNN} 获取。
关键词
引用
@article{arxiv.2007.08921,
title = {Boundary-preserving Mask R-CNN},
author = {Tianheng Cheng and Xinggang Wang and Lichao Huang and Wenyu Liu},
journal= {arXiv preprint arXiv:2007.08921},
year = {2020}
}
备注
17 pages, 8 figures. Accepted by ECCV 2020