MaskLab：通过语义与方向特征细化目标检测实现实例分割
计算机视觉与模式识别
2017-12-14 v1
摘要
在这项工作中，我们解决实例分割问题，即同时完成目标检测与语义分割的任务。为此，我们提出一个名为 MaskLab 的模型，其产生三种输出：边界框检测、语义分割与方向预测。在 Faster-RCNN 目标检测器基础上，预测的边界框提供了目标实例的精确定位。在每个感兴趣区域内，MaskLab 通过结合语义预测与方向预测来执行前景/背景分割。语义分割协助模型区分不同语义类别（包括背景）的目标，而方向预测估计每个像素指向其对应中心的方向，从而分离同一语义类的实例。此外，我们探究了引入近期分割与检测中成功方法（即空洞卷积与超列）的效果。我们提出的模型在 COCO 实例分割基准上进行了评估，并展现出与其他 SOTA 模型相当的性能。
引用
@article{arxiv.1712.04837,
title = {MaskLab: Instance Segmentation by Refining Object Detection with Semantic and Direction Features},
author = {Liang-Chieh Chen and Alexander Hermans and George Papandreou and Florian Schroff and Peng Wang and Hartwig Adam},
journal= {arXiv preprint arXiv:1712.04837},
year = {2017}
}
备注
10 pages including reference