MT-ORL：多任务遮挡关系学习
计算机视觉与模式识别
2021-08-19 v2 机器学习
摘要
由于图像中边界的稀疏性，在单幅图像中恢复物体间的遮挡关系具有挑战性。我们观察到现有工作中的两个关键问题：首先，缺乏一种能够在遮挡边界提取与遮挡方向预测这两个子任务的解码器阶段利用有限耦合的架构；其次，遮挡方向的表示不当。在本文中，我们提出了一种称为遮挡共享与路径分离网络（OPNet）的新架构，它通过利用共享高层特征中的丰富遮挡线索和任务特定低层特征中的结构化空间信息来解决第一个问题。然后我们设计了一种简单但有效的正交遮挡表示（OOR）来解决第二个问题。我们的方法在标准PIOD/BSDS所有权数据集上以6.1%/8.3%的边界AP和6.5%/10%的方向AP超越了最先进的方法。代码可在 https://github.com/fengpanhe/MT-ORL 获取。
引用
@article{arxiv.2108.05722,
title = {MT-ORL: Multi-Task Occlusion Relationship Learning},
author = {Panhe Feng and Qi She and Lei Zhu and Jiaxin Li and Lin Zhang and Zijian Feng and Changhu Wang and Chunpeng Li and Xuejing Kang and Anlong Ming},
journal= {arXiv preprint arXiv:2108.05722},
year = {2021}
}
备注
Accepted by ICCV 2021