面向高效全景部件分割的多任务融合方法
计算机视觉与模式识别
2022-12-20 v2
摘要
本文提出了一种新颖的网络，该网络利用共享编码器生成语义、实例和部件分割，并有效地融合它们以实现全景部件分割。统一这三个分割问题有助于实现相互促进且一致的表征学习。为了高效地融合三个预测头的输出，我们引入了一个无参数的联合融合模块，该模块动态平衡逻辑值（logits）并将其融合以生成全景部件分割。我们的方法在 Cityscapes Panoptic Parts (CPP) 和 Pascal Panoptic Parts (PPP) 数据集上进行了评估。对于 CPP，我们提出的带有联合融合的模型在 PartPQ 指标上分别在所有区域和含部件片段上超越了先前的最优方法 1.6 和 4.7 个百分点。在 PPP 上，我们的联合融合在 PartPQ 上超越了使用先前自顶向下合并策略的模型 3.3 个百分点，在可分割类别的 PartPQ 上超越了 10.5 个百分点。
引用
@article{arxiv.2212.07671,
title = {Multi-task Fusion for Efficient Panoptic-Part Segmentation},
author = {Sravan Kumar Jagadeesh and René Schuster and Didier Stricker},
journal= {arXiv preprint arXiv:2212.07671},
year = {2022}
}
备注
Accepted in ICPRAM 2023