深度亲和网络：基于亲和力的实例分割
计算机视觉与模式识别
2020-03-17 v1
摘要
大多数现代实例分割方法可分为两类：基于区域的方法，先检测目标边界框，再用于裁剪与分割实例；以及基于关键点的方法，将单个实例表示为一组关键点，随后围绕这些关键点进行密集像素聚类。尽管这两种范式已较为成熟，我们仍欲报告一种替代的基于亲和力的范式，其中实例基于密集预测的亲和力与图分割算法进行分割。此类基于亲和力的方法表明，除区域或关键点之外的高层图特征可直接应用于实例分割任务。本工作中，我们提出 Deep Affinity Net，一种有效的基于亲和力的方法，并辅以新的图分割算法 Cascade-GAEC。不加任何修饰，我们的端到端模型在 Cityscapes val 上取得 32.4% AP、在 test 上取得 27.5% AP。它在所有基于亲和力的模型中取得了最佳的单次结果以及最快的运行时间。它还优于基于区域的方法 Mask R-CNN。
引用
@article{arxiv.2003.06849,
title = {Deep Affinity Net: Instance Segmentation via Affinity},
author = {Xingqian Xu and Mang Tik Chiu and Thomas S. Huang and Honghui Shi},
journal= {arXiv preprint arXiv:2003.06849},
year = {2020}
}