用于实例分割的深度分水岭变换
计算机视觉与模式识别
2017-05-08 v2
摘要
大多数当前的实例分割方法使用复杂的流水线，涉及条件随机场、循环神经网络、目标提议或模板匹配方案。在本文中，我们提出了一种简单而强大的端到端卷积神经网络来解决此任务。我们的方法结合了经典分水岭变换和现代深度学习的思想，生成图像的能量图，其中目标实例明确地表示为能量图中的盆地。然后我们在单一能量级别执行切割，直接产生对应于目标实例的连通分量。我们的模型在具有挑战性的Cityscapes实例级分割任务上，将最先进方法的性能提升了一倍以上。
引用
@article{arxiv.1611.08303,
title = {Deep Watershed Transform for Instance Segmentation},
author = {Min Bai and Raquel Urtasun},
journal= {arXiv preprint arXiv:1611.08303},
year = {2017}
}