跨形状和外观的共性解析网络用于部分监督实例分割
计算机视觉与模式识别
2020-07-27 v1
摘要
部分监督实例分割旨在对有限掩码标注类别的数据进行学习，从而消除昂贵且详尽的掩码标注。期望学习到的模型能够泛化到新类别。现有方法要么学习从检测到分割的转移函数，要么聚类形状先验以分割新类别。我们提出学习可泛化的底层类无关共性，从掩码标注类别泛化到新类别。具体地，我们解析两种共性：1）形状共性，通过对实例边界预测进行监督学习获得；2）外观共性，通过建模特征图像素间的成对亲和度来优化实例与背景的可分离性。结合形状和外观共性，我们的模型在COCO数据集上的部分监督设置和少样本设置中均显著优于最先进方法。
引用
@article{arxiv.2007.12387,
title = {Commonality-Parsing Network across Shape and Appearance for Partially Supervised Instance Segmentation},
author = {Qi Fan and Lei Ke and Wenjie Pei and Chi-Keung Tang and Yu-Wing Tai},
journal= {arXiv preprint arXiv:2007.12387},
year = {2020}
}
备注
Accepted by ECCV 2020