BoxInst：基于边界框标注的高性能实例分割
计算机视觉与模式识别
2020-12-07 v1
摘要
我们提出了一种高性能方法，仅使用边界框标注进行训练即可实现掩码级实例分割。尽管该设定已在文献中被研究过，但在此我们以一个简洁的设计展示了显著更强的性能（例如，在 COCO 数据集上将 Hsu 等人 (2019) 先前报告的最佳掩码 AP 从 21.1% 大幅提升至 31.6%）。我们的核心思想是重新设计实例分割中掩码学习的损失函数，而不修改分割网络本身。新的损失函数能够在不依赖掩码标注的情况下监督掩码训练。这是通过两项损失项实现的：1) 一个代理项，用于最小化真实边界框投影与预测掩码之间的不一致；2) 一个成对损失，可利用邻近且颜色相似的像素极可能具有相同类别标签这一先验。实验表明，重新设计的掩码损失仅用边界框标注即可产生令人惊讶的高质量实例掩码。例如，在不使用任何掩码标注的情况下，采用 ResNet-101 骨干网络和 3x 训练计划，我们在 COCO test-dev 划分上取得了 33.2% 的掩码 AP（全监督对应方法为 39.1%）。我们在 COCO 和 Pascal VOC 上的出色实验结果表明，我们的方法大幅缩小了弱监督与全监督实例分割之间的性能差距。代码见：https://git.io/AdelaiDet
引用
@article{arxiv.2012.02310,
title = {BoxInst: High-Performance Instance Segmentation with Box Annotations},
author = {Zhi Tian and Chunhua Shen and Xinlong Wang and Hao Chen},
journal= {arXiv preprint arXiv:2012.02310},
year = {2020}
}
备注
Code is available at: https://git.io/AdelaiDet