HistoNet：预测目标实例的尺寸直方图
计算机视觉与模式识别
2020-06-05 v3
摘要
我们提出直接在拥挤场景中预测目标尺寸直方图，而无需任何显式的目标实例分割。该任务的挑战在于对象（同一类别）的高密度，使得实例辨识困难。我们表明，与显式分割目标实例相比，直接学习目标尺寸直方图在大幅减少参数量的同时提高了精度。这对于不需要显式像素级实例分割、但关注实例尺寸整体分布的应用场景非常有用。我们的核心应用在于生物学中估算兵蝇幼虫的尺寸分布，以及医学中估算癌细胞尺寸分布作为计算肿瘤细胞密度评分的中间步骤。给定包含数百个小目标实例的图像，我们输出总数与尺寸直方图。我们还为此任务提供了一个新数据集 FlyLarvae 数据集，包含 11,000 个逐像素标注的幼虫实例。与最先进的实例分割方法 Mask R-CNN 相比，我们的方法在计数与尺寸分布预测上均取得整体改进。
引用
@article{arxiv.1912.05227,
title = {HistoNet: Predicting size histograms of object instances},
author = {Kishan Sharma and Moritz Gold and Christian Zurbruegg and Laura Leal-Taixé and Jan Dirk Wegner},
journal= {arXiv preprint arXiv:1912.05227},
year = {2020}
}