实例级显著目标分割

由于深度卷积神经网络，图像显著性检测近年取得快速进展。然而，现有方法均无法识别检测到的显著区域中的目标实例。本文提出一种显著实例分割方法，为输入图像生成带有不同目标实例标签的显著性掩码。该方法包含三步：估计显著性图、检测显著目标轮廓和识别显著目标实例。前两步我们提出多尺度显著性细化网络，生成高质量显著区域掩码和显著目标轮廓。结合多尺度组合分组和基于 MAP 的子集优化框架，我们的方法能生成非常有前景的显著目标实例分割结果。为促进显著实例分割的进一步研究和评估，我们还构建了一个包含 1000 张图像及其像素级显著实例标注的新数据库。实验结果表明，我们的方法能在所有显著区域检测公开基准以及我们的新数据集上达到最先进性能。