FastMask：单次分割多尺度目标候选
计算机视觉与模式识别
2017-04-13 v4 人工智能
摘要
物体在自然图像中呈现不同的尺度。这一事实要求处理以物体为中心的任务（例如物体候选（object proposal））的方法在物体尺度变化下具有鲁棒性能。在本文中，我们提出一种新颖的分割候选框架，即FastMask，其利用深度卷积神经网络中的层次化特征来单次分割多尺度物体。创新地，我们将分割候选网络适配为三个不同的功能组件（主体、颈部和头部）。我们进一步提出一个权重共享的残差颈部模块以及一个尺度容忍的注意力头部模块，以实现高效的单次推理（one-shot inference）。在MS COCO基准上，所提出的FastMask在平均召回率上优于所有最先进的（state-of-the-art）分割候选方法，且速度快2~5倍。此外，在精度略有折衷的情况下，FastMask能以近实时（~13 fps）处理800*600分辨率图像分割物体，展示了其在实际应用中的潜力。我们的实现可在 https://github.com/voidrank/FastMask 获取。
引用
@article{arxiv.1612.08843,
title = {FastMask: Segment Multi-scale Object Candidates in One Shot},
author = {Hexiang Hu and Shiyi Lan and Yuning Jiang and Zhimin Cao and Fei Sha},
journal= {arXiv preprint arXiv:1612.08843},
year = {2017}
}
备注
Accepted as CVPR 2017