索引至关重要：学习为深度图像抠图编制索引
计算机视觉与模式识别
2019-08-05 v1
摘要
我们证明，现有的上采样算子可以用索引函数的概念统一起来。这一概念源于对深度图像抠图解码过程的一个观察：索引引导的反池化在恢复边界细节方面远优于双线性插值等其他上采样算子。通过将索引视为特征图的函数，我们引入了“学习索引”的概念，并提出了一种新颖的索引引导的编码器-解码器框架，其中索引从数据中自适应地自学习，并用于引导池化和上采样算子，无需监督。该框架的核心是一个灵活的网络模块，称为IndexNet，它根据输入动态地预测索引。由于其灵活性，IndexNet可以作为一个即插即用的模块，应用于任何具有耦合下采样和上采样阶段的现成卷积网络。我们在自然图像抠图任务上展示了IndexNet的有效性，在该任务中，学习到的索引质量可以从预测的alpha遮罩中直观地观察到。在Composition-1k抠图数据集上的结果表明，我们基于MobileNetv2构建的模型，在使用更少的训练数据和更低的模型容量下，相较于基于VGG-16的开创性深度抠图基线，至少展现出的提升。代码和模型已发布于：https://tinyurl.com/IndexNetV1
引用
@article{arxiv.1908.00672,
title = {Indices Matter: Learning to Index for Deep Image Matting},
author = {Hao Lu and Yutong Dai and Chunhua Shen and Songcen Xu},
journal= {arXiv preprint arXiv:1908.00672},
year = {2019}
}
备注
Accepted to Proc. Int. Conf. Computer Vision 2019