LevelSet R-CNN：一种用于实例分割的深度变分方法
计算机视觉与模式识别
2020-07-31 v1
摘要
在许多现代应用（如机器人操控和自动驾驶）中，获取精确的实例分割掩码至关重要。当前许多 state of the art 模型基于 Mask R-CNN 框架，该框架虽然非常强大，但输出的掩码分辨率较低，可能导致边界不精确。另一方面，经典的变分分割方法通过优化能量泛函对掩码施加了理想的全局与局部数据及几何约束。尽管在数学上优雅，它们对良好初始化的直接依赖、不鲁棒的图像线索以及超参数的手动设置使其不适用于现代应用。我们提出 LevelSet R-CNN，它通过以端到端方式将强大的特征表示与变分分割框架相结合，兼具两者之长。我们在 COCO 和 Cityscapes 数据集上展示了我们方法的有效性。
关键词
引用
@article{arxiv.2007.15629,
title = {LevelSet R-CNN: A Deep Variational Method for Instance Segmentation},
author = {Namdar Homayounfar and Yuwen Xiong and Justin Liang and Wei-Chiu Ma and Raquel Urtasun},
journal= {arXiv preprint arXiv:2007.15629},
year = {2020}
}
备注
ECCV 2020