人类无需标注更多人类:面向遮挡人体实例分割的遮挡复制粘贴
计算机视觉与模式识别
2022-10-10 v1
摘要
现代目标检测与实例分割网络在拥挤或高度遮挡场景中识别人体时表现不佳。然而,这些往往正是我们需要检测器良好工作的场景。许多工作通过以模型为中心的改进来解决此问题。尽管它们在一定程度上被证明有效,这些监督方法仍需要在训练期间有充足的相关样本(即被遮挡的人体)以最大化改进效果。在我们的工作中,我们提出一种简单而有效的以数据为中心的方法——遮挡复制粘贴,以在训练期间向模型引入遮挡样本:我们调整通用的复制粘贴增强方法来解决同类遮挡这一难题。它仅通过利用现有大规模数据集,无需额外数据或人工标注,便“免费”提升了在遮挡场景下的实例分割性能。在一项原则性研究中,我们展示了各种针对复制粘贴增强的附加改进是否确实有助于更好的性能。我们的遮挡复制粘贴增强易于与任何模型互通:通过将其简单应用于近期通用实例分割模型(无显式针对遮挡的模型架构设计),我们在极具挑战性的OCHuman数据集上取得了最先进的实例分割性能。源代码见 https://github.com/levan92/occlusion-copy-paste。
引用
@article{arxiv.2210.03686,
title = {Humans need not label more humans: Occlusion Copy & Paste for Occluded Human Instance Segmentation},
author = {Evan Ling and Dezhao Huang and Minhoe Hur},
journal= {arXiv preprint arXiv:2210.03686},
year = {2022}
}
备注
13 pages, 5 figures, BMVC 2022