通过联合优化空间嵌入与聚类带宽实现实例分割
计算机视觉与模式识别
2019-08-05 v2
摘要
当前最先进的实例分割方法不适用于自动驾驶等需要高精度下快速执行的实时应用。尽管目前占主导地位的基于提议的方法精度高，但速度慢且生成固定低分辨率的掩码。相比之下，无提议方法可以生成高分辨率掩码且通常速度更快，但精度无法达到基于提议方法的水平。本文中，我们为无提议实例分割提出了一种新的聚类损失函数。该损失函数将属于同一实例的像素的空间嵌入拉近，并联合学习特定于实例的聚类带宽，从而最大化所得实例掩码的交并比。当与快速架构结合时，该网络能够在保持高精度的同时实时执行实例分割。我们在具有挑战性的 Cityscapes 基准上评估了我们的方法，在 2MP 图像上以超过 10 fps 的速度取得了顶尖结果（比 Mask R-CNN 提升 5%）。代码将发布于 https://github.com/davyneven/SpatialEmbeddings。
引用
@article{arxiv.1906.11109,
title = {Instance Segmentation by Jointly Optimizing Spatial Embeddings and Clustering Bandwidth},
author = {Davy Neven and Bert De Brabandere and Marc Proesmans and Luc Van Gool},
journal= {arXiv preprint arXiv:1906.11109},
year = {2019}
}
备注
added references