用于弱监督实例分割的完整实例挖掘
计算机视觉与模式识别
2024-02-13 v1
摘要
仅使用图像级标签的弱监督实例分割（WSIS）是一项具有挑战性的任务，因为难以将粗粒度注释与更精细的任务对齐。然而，随着深度神经网络（DNN）的发展，WSIS已引起广泛关注。遵循基于提议的范式，我们遇到了由单个实例被多个提议表示而导致的冗余分割问题。例如，我们向网络输入一张狗的图像和多个提议，期望只输出一个包含狗的提议，但网络输出了多个提议。为了解决这个问题，我们提出了一种新颖的WSIS方法，该方法专注于通过使用MaskIoU头来预测提议的完整性分数，以及一种完整实例挖掘（CIM）策略来显式建模冗余分割问题并生成精炼的伪标签，从而在线细化完整实例。我们的方法使网络能够感知多个实例和完整实例，并通过引入抗噪声策略进一步提高其鲁棒性。在PASCAL VOC 2012和MS COCO数据集上的实验评估表明，我们的方法以显著的优势达到了最先进的性能。我们的实现将在https://github.com/ZechengLi19/CIM上提供。
引用
@article{arxiv.2402.07633,
title = {Complete Instances Mining for Weakly Supervised Instance Segmentation},
author = {Zecheng Li and Zening Zeng and Yuqi Liang and Jin-Gang Yu},
journal= {arXiv preprint arXiv:2402.07633},
year = {2024}
}
备注
7 pages