CenterPoly：基于边界多边形的实时实例分割
计算机视觉与模式识别
2021-09-16 v2
摘要
我们提出一种称为CenterPoly的新方法，用于基于边界多边形的实时实例分割。我们将其应用于密集城市场景中道路使用者的检测，使其适用于智能交通系统（如自动驾驶车辆）中的应用。CenterPoly通过物体的中心关键点检测物体，同时为每物体预测固定数量的多边形顶点，从而并行执行检测与分割。网络头部共享大部分网络参数，使其快速且轻量，足以实时运行。为将掩码真值正确转换为多边形真值，我们设计了一种顶点选择策略以促进多边形的学习。此外，为在密集城市场景中更好地分割重叠物体，我们还训练了一个相对深度分支，利用可用的弱标注来确定哪些实例更近、哪些更远。我们提出了几种具有不同骨干网络的模型，以展示可能的速度/精度权衡。这些模型在Cityscapes、KITTI和IDD上训练与评估，结果在其公开基准上报告，在实时速度下达到最先进水平。代码见 https://github.com/hu64/CenterPoly
引用
@article{arxiv.2108.08923,
title = {CenterPoly: real-time instance segmentation using bounding polygons},
author = {Hughes Perreault and Guillaume-Alexandre Bilodeau and Nicolas Saunier and Maguelonne Héritier},
journal= {arXiv preprint arXiv:2108.08923},
year = {2021}
}
备注
Accepted to the 2nd Autonomous Vehicle Vision Workshop (AVVision)