通过中间距离回归监督改进像素嵌入学习用于实例分割
计算机视觉与模式识别
2026-02-23 v1
摘要
作为一种无提议（proposal-free）方法，通过像素嵌入学习与聚类进行实例分割正受到越来越多的重视。与 Mask R-CNN 等边界框细化方法相比，它在处理复杂形状和密集物体方面具有潜在优势。在这项工作中，我们提出了一种简单但高效的、用于物体感知嵌入学习的架构。我们的架构中引入了一个距离回归模块，以生成用于快速聚类的种子。同时，我们表明，由距离回归模块学习的特征能够显著提升所学习的物体感知嵌入的精度。通过将距离回归模块的特征作为嵌入模块输入的拼接项简单拼接到图像上，在 CVPPP 叶片分割挑战赛上的 mSBD 分数相比无拼接的相同设置可进一步提高 8% 以上，从而在 CodaLab 的排行榜上取得了最佳总体结果。
引用
@article{arxiv.2007.06660,
title = {Improving Pixel Embedding Learning through Intermediate Distance Regression Supervision for Instance Segmentation},
author = {Yuli Wu and Long Chen and Dorit Merhof},
journal= {arXiv preprint arXiv:2007.06660},
year = {2026}
}
备注
ECCV 2020 Workshop: Computer Vision Problems in Plant Phenotyping (CVPPP 2020)