GMNet：面向野外大规模部件语义分割的图匹配网络
计算机视觉与模式识别
2020-07-20 v1 机器学习
图像与视频处理
摘要
野外物体部件的语义分割是一项具有挑战性的任务，需要在场景中检测出多个物体实例及其内部的多个部件。尽管该问题对于细致的物体理解具有根本重要性，但至今仍极少被探索。在本工作中，我们提出了一种结合高层物体级上下文条件与部件级空间关系的新框架来解决该任务。为应对物体级歧义，我们引入了一个类别条件模块，在学习部件级语义时保留类别级语义。如此，中级特征在解码阶段之前也携带了该信息。为应对部件级歧义与定位，我们提出了一种新颖的基于邻接图的模块，旨在匹配真实部件与预测部件之间的相对空间关系。在 Pascal-Part 数据集上的实验评估表明，我们在此任务上取得了最先进的结果。
引用
@article{arxiv.2007.09073,
title = {GMNet: Graph Matching Network for Large Scale Part Semantic Segmentation in the Wild},
author = {Umberto Michieli and Edoardo Borsato and Luca Rossi and Pietro Zanuttigh},
journal= {arXiv preprint arXiv:2007.09073},
year = {2020}
}
备注
ECCV 2020