基于标注变换的无目标检测实例分割
计算机视觉与模式识别
2016-11-30 v2
摘要
实例分割在计算机视觉中引起了近期的关注，且该领域现有的方法大多包含一个目标检测阶段。在本文中，我们研究实例分割问题的内在挑战，即商空间的存在（交换不同实例的标签会导致相同的结果），并提出无需目标提议和目标检测的新方法。我们提出了三种替代方法，即基于像素的亲和映射、基于超像素的亲和学习和基于边界的组件分割，它们都专注于执行标注变换以应对商空间问题。通过采用类似全卷积神经网络（FCN）的模型，我们的框架在 PASCAL 数据集（以目标为中心）和 Gland 数据集（以纹理为中心）上均取得了具有竞争力的结果，这是现有方法无法做到的。我们的工作还具有透明性、简单性以及全基于分割的优势。
引用
@article{arxiv.1611.08991,
title = {Object Detection Free Instance Segmentation With Labeling Transformations},
author = {Long Jin and Zeyu Chen and Zhuowen Tu},
journal= {arXiv preprint arXiv:1611.08991},
year = {2016}
}
备注
10 pages, 5 figures