在叶片上生长实例掩码
计算机视觉与模式识别
2022-12-01 v1 人工智能
摘要
基于轮廓的实例分割方法包括单阶段和多阶段方案。这些方法取得了显著的性能。然而，它们必须定义大量点来分割精确掩码，这导致高复杂度。我们针对此问题提出了一种单阶段方法，称为\textbf{VeinMask}，以在低设计复杂度下实现具有竞争力的性能。具体而言，我们观察到叶片通过主脉定位粗略边界并通过生长次脉来细化弯曲部分，这使得准确覆盖任意对象成为可能。同时，主脉和次脉共享相同的生长模式，避免了分别建模并确保模型简洁。考虑到上述优势，我们提出 VeinMask，将实例分割问题表述为脉络生长过程的模拟，并在极坐标中预测主脉和次脉。此外，引入 centroidness 用于实例分割任务以帮助抑制低质量实例。进一步，设计了周边互相关敏感（SCCS）模块，通过利用每个像素的周边来增强特征表达。另外，提出了残差 IoU（R-IoU）损失来有效监督主脉和次脉的回归任务。实验表明，VeinMask 在低设计复杂度下明显优于其他基于轮廓的方法。特别地，我们的方法在 COCO 数据集上以几乎一半的设计复杂度优于现有的单阶段基于轮廓的方法。
引用
@article{arxiv.2211.16738,
title = {Growing Instance Mask on Leaf},
author = {Chuang Yang and Haozhao Ma and Qi Wang},
journal= {arXiv preprint arXiv:2211.16738},
year = {2022}
}