面向实例分割的物体轮廓点与时序语义联合方法
计算机视觉与模式识别
2021-07-06 v3
摘要
物体轮廓的属性对实例分割任务具有重要意义。然而，当前大多数流行的深度神经网络并未充分关注物体边缘信息。受人类制作实例分割数据集时的标注过程启发，本文提出 Mask Point R-CNN，旨在增强神经网络对物体边界的注意力。具体而言，我们创新性地将原始人体关键点检测任务扩展为任意物体的轮廓点检测。基于这一类比，我们向 Mask R-CNN 引入一个轮廓点检测辅助任务，通过有效利用特征融合策略与多任务联合训练，可增强不同任务间的梯度流动。因此，模型将对物体边缘更敏感，并能捕捉更多几何特征。定量上，实验结果表明，我们的方法在 Cityscapes 数据集上优于原始 Mask R-CNN 3.8%，在 COCO 数据集上优于 0.8%。
引用
@article{arxiv.2008.00460,
title = {Joint Object Contour Points and Semantics for Instance Segmentation},
author = {Wenchao Zhang and Chong Fu and Mai Zhu},
journal= {arXiv preprint arXiv:2008.00460},
year = {2021}
}