看得更细以分割更准：面向实例分割的边界块精炼
计算机视觉与模式识别
2021-04-13 v1
摘要
在实例分割方面已付出巨大努力，但掩码质量仍不尽如人意。由于特征图空间分辨率低以及边界像素占比极低引起的不平衡问题，预测的实例掩码边界通常不够精确。为解决这些问题，我们提出一个概念简单却有效的后处理精炼框架，基于任意实例分割模型的结果来提升边界质量，称为 BPR。遵循“看得更细以更好地分割边界”的思想，我们沿预测的实例边界提取并精炼一系列小的边界块。精炼由更高分辨率的边界块精炼网络完成。所提出的 BPR 框架在 Cityscapes 基准上相较 Mask R-CNN 基线取得显著提升，尤其在边界感知指标上。此外，将 BPR 框架应用于 PolyTransform + SegFix 基线，我们在 Cityscapes 排行榜上取得第 1 名。
引用
@article{arxiv.2104.05239,
title = {Look Closer to Segment Better: Boundary Patch Refinement for Instance Segmentation},
author = {Chufeng Tang and Hang Chen and Xiao Li and Jianmin Li and Zhaoxiang Zhang and Xiaolin Hu},
journal= {arXiv preprint arXiv:2104.05239},
year = {2021}
}
备注
CVPR 2021