EOLO：嵌入式目标分割仅需一次观察
计算机视觉与模式识别
2020-04-02 v1 机器学习
图像与视频处理
摘要
本文提出一种无锚框的单阶段实例分割方法，其概念简单，具有3个独立分支，全卷积，并可通过轻松嵌入移动和嵌入式设备中使用。我们的方法称为EOLO，将实例分割问题重新表述为预测语义分割和区分重叠目标问题，通过对每个像素的实例中心分类和4D距离回归实现。此外，我们提出一种有效的损失函数来处理高质量重心样本采样和4D距离回归的优化，可显著提升mAP性能。无需任何额外技巧，EOLO在IoU50下取得27.7%的mask mAP，并在1080Ti GPU上达到30 FPS，在具有挑战性的COCO2017数据集上采用单模型单尺度训练/测试。我们首次展示了近期方法对实例分割的不同理解，涵盖自顶向下、自底向上和直接预测范式。随后我们阐述模型并给出相关实验与结果。希望所提出的EOLO框架可作为实时工业场景中单阶段实例分割任务的基础基线。
引用
@article{arxiv.2004.00123,
title = {EOLO: Embedded Object Segmentation only Look Once},
author = {Longfei Zeng and Mohammed Sabah},
journal= {arXiv preprint arXiv:2004.00123},
year = {2020}
}
备注
7 pages, 5 figures, 2 tables, 25 conferences