E2EC：一种基于轮廓的端到端高质量高速实例分割方法
计算机视觉与模式识别
2022-03-09 v1 人工智能
摘要
基于轮廓的实例分割方法近年来发展迅速，但存在粗糙且手工设计的前端轮廓初始化（限制了模型性能），以及经验性且固定的后端预测标签顶点配对（增加了学习难度）。本文中，我们引入了一种新颖的基于轮廓的方法，称为E2EC，用于高质量实例分割。首先，E2EC采用一种新颖的可学习轮廓初始化架构，取代手工设计的轮廓初始化。其包含一个用于构建更明确学习目标的轮廓初始化模块，以及一个更好地利用所有顶点特征的全局轮廓形变模块。其次，我们提出了一种名为多方向对齐的新颖标签采样方案，以降低学习难度。第三，为提高边界细节质量，我们动态匹配最合适的预测-真值顶点对，并提出了相应的损失函数，称为动态匹配损失。实验表明，E2EC在KITTI INStance（KINS）数据集、Semantic Boundaries Dataset（SBD）、Cityscapes和COCO数据集上均能取得最先进的性能。E2EC在实时应用中也很高效，在NVIDIA A6000 GPU上对512*512图像推理速度达36 fps。代码将发布于https://github.com/zhang-tao-whu/e2ec。
引用
@article{arxiv.2203.04074,
title = {E2EC: An End-to-End Contour-based Method for High-Quality High-Speed Instance Segmentation},
author = {Tao Zhang and Shiqing Wei and Shunping Ji},
journal= {arXiv preprint arXiv:2203.04074},
year = {2022}
}
备注
CVPR2022