基于点监督的实例分割
计算机视觉与模式识别
2019-06-18 v1
摘要
实例分割方法常需代价高昂的逐像素标注。我们提出一种仅需点级标注的方法。训练期间，模型对每个对象仅能访问单个像素标签，然而任务却是输出完整的分割掩码。为应对该挑战，我们构建了一个双分支网络：(1) 定位网络（L-Net）预测每个对象的位置；(2) 嵌入网络（E-Net）学习一个嵌入空间，其中同一对象的像素彼此相近。位于所定位对象的分割掩码通过对具有相似嵌入的像素进行分组获得。训练时，L-Net 仅需点级标注，而 E-Net 使用由类无关对象提议方法生成的伪标签。我们在 PASCAL VOC、COCO、KITTI 与 CityScapes 数据集上评估了我们的方法。实验表明，我们的方法 (1) 在特定场景下取得与全监督方法相当的结果；(2) 在固定标注预算下优于全监督与弱监督方法；(3) 是点级监督实例分割的首个强基线。
引用
@article{arxiv.1906.06392,
title = {Instance Segmentation with Point Supervision},
author = {Issam H. Laradji and Negar Rostamzadeh and Pedro O. Pinheiro and David Vazquez and Mark Schmidt},
journal= {arXiv preprint arXiv:1906.06392},
year = {2019}
}