面向循环视频目标分割的课程学习
计算机视觉与模式识别
2020-08-18 v1
摘要
视频目标分割可理解为一个序列到序列的任务，可从课程学习策略中受益，以实现深度神经网络的更好与更快训练。本工作探索了不同的计划采样与跳帧变体，以显著提升一种循环架构的性能。我们在 KITTI-MOTS 挑战赛的车辆类别上的结果表明，令人惊讶的是，逆序计划采样优于经典的正向计划采样。此外，训练过程中渐进式跳帧是有益的，但仅当使用真值掩码而非预测掩码进行训练时如此。源代码与训练好的模型可在 http://imatge-upc.github.io/rvos-mots/ 获取。
引用
@article{arxiv.2008.06698,
title = {Curriculum Learning for Recurrent Video Object Segmentation},
author = {Maria Gonzalez-i-Calabuig and Carles Ventura and Xavier Giró-i-Nieto},
journal= {arXiv preprint arXiv:2008.06698},
year = {2020}
}
备注
Extended abstract accepted at ECCV 2020 Women in Computer Vision (WiCV) & Perception for Autonomous Driving (PAD) Workshops