学会看见不可见：端到端可训练的阿莫odal实例分割
计算机视觉与模式识别
2018-04-25 v1
摘要
语义阿莫odal分割是近期提出的实例感知分割的扩展，其包含对每个对象实例不可见区域的预测。我们提出了首个全合一、端到端可训练的语义阿莫odal分割模型，该模型在单次前向传播中预测阿莫odal实例掩码及其可见与不可见部分。在详细分析中，我们通过实验展示了哪些架构选择有益于全合一阿莫odal分割模型。在COCO amodal数据集上，我们的模型以大幅优势优于当前阿莫odal分割基线。为进一步评估我们的模型，我们提供了两个带有语义阿莫odal分割真值的新数据集：D2S amodal与COCOA cls。对这两个数据集，我们的模型均提供了强劲的基线性能。使用特殊的数据增强技术，我们表明即使在未提供阿莫odal训练数据的情况下，在D2S amodal上实现合理性能的阿莫odal分割也是可能的。
引用
@article{arxiv.1804.08864,
title = {Learning to See the Invisible: End-to-End Trainable Amodal Instance Segmentation},
author = {Patrick Follmann and Rebecca König and Philipp Härtinger and Michael Klostermann},
journal= {arXiv preprint arXiv:1804.08864},
year = {2018}
}
备注
14 pages, plus appendix