InstaBoost：通过概率图引导的复制粘贴提升实例分割性能
计算机视觉与模式识别
2019-08-22 v1
摘要
实例分割需要大量训练样本才能获得令人满意的性能，并受益于适当的数据增强。为扩充训练集并增加多样性，以往方法已在弱监督机制下探索利用其他领域的标注（如边界框、点）。本文提出一种简单、高效且有效的方法，利用已有的实例掩码标注来扩充训练集。利用背景的像素冗余性，我们仅通过对目标引入随机抖动，便将 Mask R-CNN 在 COCO 数据集上的性能提升 1.7 mAP，在 Pascal VOC 数据集上提升 3.3 mAP。此外，我们提出一种基于位置概率图的方法，依据局部外观相似性探索目标可放置的可行位置。在该图的引导下，我们将 R101-Mask R-CNN 在实例分割上的性能从 35.7 mAP 提升至 37.9 mAP，且未修改骨干网络或网络结构。我们的方法实现简单，不增加计算复杂度，可集成到任意实例分割模型的训练流程中而不影响训练与推理效率。我们的代码与模型已发布于 https://github.com/GothicAi/InstaBoost。
引用
@article{arxiv.1908.07801,
title = {InstaBoost: Boosting Instance Segmentation via Probability Map Guided Copy-Pasting},
author = {Hao-Shu Fang and Jianhua Sun and Runzhong Wang and Minghao Gou and Yong-Lu Li and Cewu Lu},
journal= {arXiv preprint arXiv:1908.07801},
year = {2019}
}
备注
ICCV 2019