基于 k 步距离变换图像的实例分割轮廓损失
计算机视觉与模式识别
2021-02-23 v1
摘要
实例分割旨在定位图像中的目标并在像素级分割每个目标区域，是计算机视觉中最重要的任务之一。Mask R-CNN 是实例分割的经典方法，但我们发现其预测掩码在轮廓附近不清晰且不准确。为应对该问题，我们借鉴基于距离变换图像的轮廓匹配思想，提出了一种称为轮廓损失（contour loss）的新损失函数。轮廓损失专为优化预测掩码的轮廓部分而设计，从而可确保更准确的实例分割。为使所提轮廓损失能在现代神经网络框架下联合训练，我们设计了一个可微的 k 步距离变换图像计算模块，可在线近似计算预测掩码与对应真实掩码的截断距离变换图像。所提轮廓损失可集成到现有实例分割方法（如 Mask R-CNN）中，并与其原始损失函数结合，无需修改推理网络结构，因而具有很强通用性。在 COCO 上的实验结果表明轮廓损失是有效的，可进一步提升实例分割性能。
引用
@article{arxiv.2102.10854,
title = {Contour Loss for Instance Segmentation via k-step Distance Transformation Image},
author = {Xiaolong Guo and Xiaosong Lan and Kunfeng Wang and Shuxiao Li},
journal= {arXiv preprint arXiv:2102.10854},
year = {2021}
}
备注
Under review in IET Computer Vision