INSTA-YOLO:实时实例分割
计算机视觉与模式识别
2024-09-04 v3 机器学习
摘要
实例分割近来在各种计算机视觉应用中受到极大关注。其旨在为场景中不同的物体分配不同的 ID,即使它们属于同一类别。这在多种场景下非常有用,尤其在遮挡情况下。实例分割通常作为两阶段流程执行:首先检测物体,然后在检测框区域内进行语义分割。该过程涉及代价高昂的上采样,尤其是分割部分。此外,对于某些应用,如 LiDAR 点云与航空目标检测,常需要预测有向框,这为两阶段流程增添了额外复杂度。本文提出 Insta-YOLO,一种用于实时实例分割的新型单阶段端到端深度学习模型。该模型受 YOLO 一次性目标检测器启发,将定位头中的框回归损失替换为多项式回归。这一修改使我们完全跳过分割上采样解码器,并从多项式输出系数生成实例分割轮廓。此外,该架构天然适用于有向物体。我们在三个数据集(即 Carnva、Cityscapes 和 Airbus)上评估了模型。结果表明,我们的模型在 mAP 方面取得了具有竞争力的精度,并在 GTX-1080 GPU 上以 2 倍的速度显著提升。
引用
@article{arxiv.2102.06777,
title = {INSTA-YOLO: Real-Time Instance Segmentation},
author = {Eslam Mohamed and Abdelrahman Shaker and Ahmad El-Sallab and Mayada Hadhoud},
journal= {arXiv preprint arXiv:2102.06777},
year = {2024}
}
备注
Accepted at ICML-2020 Workshop on AI for Autonomous Driving