基于语义分层网络学习语义感知距离图用于非模态实例分割
计算机视觉与模式识别
2019-08-23 v2
摘要
本工作中，我们展示了另一种解决非模态分割问题的方法。具体而言，我们首先引入一种新的表示，即语义感知距离图（sem-dist map），作为非模态分割的目标，以替代常用的掩码与热力图。sem-dist map 是一种水平集表示，其中物体的不同区域根据其可见性被置于图上的不同层级。它是掩码与热力图的自然扩展，其中模态、非模态分割以及深度顺序信息均被良好描述。接着我们还引入一种新颖的卷积神经网络（CNN）架构，称之为语义分层网络，以从全局级到实例级逐层估计图像中所有物体的 sem-dist map。在 COCOA 与 D2SA 数据集上的大量实验表明，我们的框架能以最先进的性能预测非模态分割、遮挡与深度顺序。
引用
@article{arxiv.1905.12898,
title = {Learning Semantics-aware Distance Map with Semantics Layering Network for Amodal Instance Segmentation},
author = {Ziheng Zhang and Anpei Chen and Ling Xie and Jingyi Yu and Shenghua Gao},
journal= {arXiv preprint arXiv:1905.12898},
year = {2019}
}
备注
This paper is submitted to ACMMM19