端到端学习深度结构化主动轮廓
计算机视觉与模式识别
2018-03-19 v1
摘要
世界上覆盖着数以百万计的建筑物，精确了解每个实例的位置和范围对众多应用至关重要。最近，得益于卷积神经网络（CNN）的使用，自动建筑物轮廓分割模型展现出了卓越的检测精度。然而，即使是最新的发展也难以精确勾勒边界，这通常会导致几何畸变和相邻建筑实例的无意融合。我们提出通过利用建筑物独特的几何特性来克服这一问题。为此，我们提出了深度结构化主动轮廓（DSAC），这是一个将先验和约束（如连续边界、平滑边缘和尖锐角点）整合到分割过程中的新框架。为此，DSAC 采用了主动轮廓模型（ACM），这是一族基于约束和先验的多边形模型。我们使用 CNN 为每个实例学习 ACM 参数化，并展示了如何将所有组件整合到结构化输出模型中，使 DSAC 能够端到端训练。我们在三个具有挑战性的建筑物实例分割数据集上评估了 DSAC，其表现优于 SOTA。代码将予以发布。
引用
@article{arxiv.1803.06329,
title = {Learning deep structured active contours end-to-end},
author = {Diego Marcos and Devis Tuia and Benjamin Kellenberger and Lisa Zhang and Min Bai and Renjie Liao and Raquel Urtasun},
journal= {arXiv preprint arXiv:1803.06329},
year = {2018}
}
备注
To appear, CVPR 2018