学习分割万物
计算机视觉与模式识别
2018-03-28 v2
摘要
大多数目标实例分割方法都要求所有训练样本都标注分割掩码。这一要求使得标注新类别代价高昂，并将实例分割模型限制在了约100个标注良好的类别上。本文的目标是提出一种新的部分监督训练范式，以及一种新颖的权重迁移函数，使得能够在大量类别上训练实例分割模型——这些类别全部具有边界框标注，但仅有小部分具有掩码标注。这些贡献使我们能够使用来自 Visual Genome 数据集的边界框标注和来自 COCO 数据集80个类别的掩码标注，训练 Mask R-CNN 来检测并分割3000个视觉概念。我们在 COCO 数据集上的一项受控研究中评估了我们的方法。本工作是迈向具有广阔视觉世界理解能力的实例分割模型的第一步。
引用
@article{arxiv.1711.10370,
title = {Learning to Segment Every Thing},
author = {Ronghang Hu and Piotr Dollár and Kaiming He and Trevor Darrell and Ross Girshick},
journal= {arXiv preprint arXiv:1711.10370},
year = {2018}
}