基于图像级监督的目标计数与实例分割
计算机视觉与模式识别
2019-05-14 v2
摘要
自然场景中的常见目标计数在计算机视觉中是一个具有众多实际应用挑战性的问题。现有的图像级监督常见目标计数方法仅预测全局目标数量，并依赖额外的实例级监督来确定目标位置。我们提出了一种图像级监督方法，通过构建目标类别密度图，同时提供全局目标计数和目标实例的空间分布。受心理学研究启发，我们使用有限的目标计数信息（最多四个）进一步减少了图像级监督。据我们所知，我们首次提出了用于常见目标计数的图像级监督密度图估计，并证明了其在图像级监督实例分割中的有效性。在PASCAL VOC和COCO数据集上进行了综合实验。我们的方法在这两个数据集的常见目标计数上均优于现有方法，包括那些使用实例级监督的方法。此外，在PASCAL VOC 2012数据集上，我们的方法以平均最佳重叠衡量将最先进的图像级监督实例分割提升了17.8%的相对增益。代码链接：https://github.com/GuoleiSun/CountSeg
引用
@article{arxiv.1903.02494,
title = {Object Counting and Instance Segmentation with Image-level Supervision},
author = {Hisham Cholakkal and Guolei Sun and Fahad Shahbaz Khan and Ling Shao},
journal= {arXiv preprint arXiv:1903.02494},
year = {2019}
}
备注
The first two authors have equal contribution. To appear in CVPR 2019