用于全景图像分割及将陌生物体分割为部件的生成器-评价器-选择器网络
计算机视觉与模式识别
2020-04-14 v4 机器学习
摘要
在机器学习及其他领域中，为问题给出良好解通常比评估该解的质量更困难。这种不对称性是大量面向选择方法的基础，这类方法使用生成器系统猜测一组解，并用评价器系统排序并选择最优解。本工作考察此方法在全景图像分割与类不可知部件分割问题上的应用。此情形下的生成器/评价器方法由两个独立的卷积神经网络组成：一个生成器网络，提议对应于图像中物体、素材与部件区域的多种分割；以及一个评价器网络，选择最佳分割合并为分割图。结果是一种试错演化方法，其中平均精度低但差异性广的生成器，在与精确评价器耦合时仍能产生良好结果。生成器由一个 Pointer 网络构成，接收图像与图像中一点，并预测包含该点的分割区域。分别生成与评价每个分割在此情形下至关重要，因为相较于每次尝试猜测并评价完整分割图的系统，它所需的猜测次数呈指数级减少。所选分割的分类由一个独立的区域特定分类网络完成。这使得分割可类不可知，从而能够分割未出现在训练集中的陌生类别。该方法在 COCO Panoptic 分割基准上进行了检验，给出了与基础语义分割及 Mask-RCNN 方法相当的结果。此外，该系统被用于将以未见类别（未出现在训练集中）物体分割为部件的任务。
引用
@article{arxiv.1908.09108,
title = {Generator evaluator-selector net for panoptic image segmentation and splitting unfamiliar objects into parts},
author = {Sagi Eppel and Alan Aspuru-Guzik},
journal= {arXiv preprint arXiv:1908.09108},
year = {2020}
}