CenterDisks：基于圆盘覆盖的实时实例分割
计算机视觉与模式识别
2024-08-06 v1
摘要
提高实例分割方法的准确性往往以牺牲速度为代价。使用更粗糙的表示，我们可以减少参数数量，从而获得实时掩码。在本文中，我们从集合覆盖问题中汲取灵感来预测掩码近似值。给定感兴趣对象的真实二值掩码作为训练输入，我们的方法在无监督其位置或半径的情况下，学习预测圆盘对这些对象的近似覆盖。每个对象由固定数量的不同半径的圆盘表示。在学习阶段，我们将半径视为与标准差成正比，以便在一组二维高斯函数而非圆盘上计算误差以进行传播。我们在具有各种道路使用者的密集城市场景的挑战性数据集上训练并测试了我们的实例分割方法。我们的方法在 IDD 和 KITTI 数据集上取得了最先进的结果，在单个 RTX 3090 GPU 上的推理时间为 0.040 秒。
引用
@article{arxiv.2403.03296,
title = {CenterDisks: Real-time instance segmentation with disk covering},
author = {Katia Jodogne-Del Litto and Guillaume-Alexandre Bilodeau},
journal= {arXiv preprint arXiv:2403.03296},
year = {2024}
}