利用 CRF 学习判别特征用于无监督视频目标分割
计算机视觉与模式识别
2020-08-05 v1
摘要
在本文中，我们引入一种称为判别特征网络（DFNet）的新网络，以解决无监督视频目标分割任务。为捕捉视频帧间的内在关联，我们从输入图像中学习从全局视角揭示特征分布的判别特征（D-features）。随后这些 D-features 被用于在与测试图像所有特征间基于条件随机场（CRF）公式建立对应，该公式被用于强化像素间的一致性。实验验证 DFNet 以 83.4% 的平均 IoU 分数大幅优于最先进方法，并在 DAVIS-2016 排行榜上排名第一，同时使用远更少参数并在推理阶段实现更高效率。我们进一步在 FBMS 数据集与视频显著性数据集 ViSal 上评估 DFNet，达到了新的最先进水平。为进一步证明我们框架的泛化性，DFNet 也被应用于图像目标协同分割任务。我们在具挑战性的数据集 PASCAL-VOC 上实验并观察到 DFNet 的优越性。充分的实验验证了 DFNet 能够捕捉并挖掘图像间的潜在关系，发现共同的前景物体。
引用
@article{arxiv.2008.01270,
title = {Learning Discriminative Feature with CRF for Unsupervised Video Object Segmentation},
author = {Mingmin Zhen and Shiwei Li and Lei Zhou and Jiaxiang Shang and Haoan Feng and Tian Fang and Long Quan},
journal= {arXiv preprint arXiv:2008.01270},
year = {2020}
}