FourierMask：基于隐式神经网络中傅里叶映射的实例分割
计算机视觉与模式识别
2022-03-18 v2 机器学习
摘要
我们提出 FourierMask，其结合傅里叶级数与隐式神经表示来生成实例分割掩码。我们对坐标位置应用傅里叶映射（FM），并利用映射后的特征作为隐式表示（基于坐标的多层感知机（MLP））的输入。FourierMask 学习预测特定实例的 FM 系数，从而将 FM 适配到具体对象。这使得 FourierMask 能够推广到从自然图像预测实例分割掩码。由于隐式函数在输入坐标域上连续，我们说明通过对输入像素坐标进行子采样，可在推理时生成更高分辨率的掩码。此外，我们在 FourierMask 的不确定预测上训练了一个渲染 MLP（FourierRend），并说明其显著提升了掩码质量。在相同输出分辨率下，FourierMask 在 MS COCO 数据集上相比基线 Mask R-CNN 取得了有竞争力的结果，并在更高分辨率上超越它。
引用
@article{arxiv.2112.12535,
title = {FourierMask: Instance Segmentation using Fourier Mapping in Implicit Neural Networks},
author = {Hamd ul Moqeet Riaz and Nuri Benbarka and Timon Hoefer and Andreas Zell},
journal= {arXiv preprint arXiv:2112.12535},
year = {2022}
}