BshapeNet：基于边界形状掩码的目标检测与实例分割
计算机视觉与模式识别
2019-08-01 v3 机器学习
机器学习
摘要
近期的目标检测器使用四坐标边界框（bbox）回归来预测目标位置。提供指示目标位置和坐标的额外信息将提升检测性能。因此，我们提出两类掩码：bbox掩码和边界形状（bshape）掩码，分别用于表示目标的bbox和边界形状。对于每类掩码，我们考虑两种变体：Thick模型和Scored模型，它们形态相同但在使边界变厚的方式上不同。为评估所提掩码，我们通过向Faster R-CNN框架添加bshape掩码（或bbox掩码）分支来设计扩展框架，并称之为BshapeNet（或BboxNet）。进一步，我们提出BshapeNet+，一种将bshape掩码分支与Mask R-CNN结合以改进实例分割及检测的网络。在我们提出的模型中，BshapeNet+在两项任务上均展现最佳性能，并取得了与最先进（SOTA）模型极具竞争力的结果。特别地，它在MS COCO test-dev和Cityscapes val上分别以42.4%和32.3%的检测AP比Faster R-CNN+RoIAlign（37.3%和28.9%）提升了检测效果。此外，对于小目标，它在COCO test-dev上达到24.9% AP，较先前SOTA模型有显著提升。对于实例分割，它在两个测试数据集上均大幅优于Mask R-CNN。
引用
@article{arxiv.1810.10327,
title = {BshapeNet: Object Detection and Instance Segmentation with Bounding Shape Masks},
author = {Ba Rom Kang and Ha Young Kim},
journal= {arXiv preprint arXiv:1810.10327},
year = {2019}
}
备注
10 pages,6 figures