开放世界实例分割：利用从学习的成对亲和性中获取的伪真值
计算机视觉与模式识别
2022-04-14 v1
摘要
开放世界实例分割是在没有任何预定分类体系的情况下将像素分组为对象实例的任务。这是具有挑战性的，因为最先进的方法依赖于从大型标注数据集中获得的显式类语义，并且域外评估性能显著下降。在此我们提出一种用于掩码提议的新方法，即通用分组网络（Generic Grouping Networks, GGNs），其在无语义监督下构建。我们的方法将像素亲和性的局部度量与实例级掩码监督相结合，产生一种旨在使模型尽可能数据多样性所允许的通用化的训练方案。我们引入一种预测成对亲和性（Pairwise Affinities, PA）的方法，即像素对之间学习的局部关系。PA 对未见类别泛化非常好。从 PA 我们构建了一组大型伪真值实例掩码；结合人工标注的实例掩码我们训练 GGNs，并在包括 COCO、LVIS、ADE20K 和 UVO 在内的多个基准上显著优于开放世界实例分割的 SOTA。代码可在项目网站获取：https://sites.google.com/view/generic-grouping/。
引用
@article{arxiv.2204.06107,
title = {Open-World Instance Segmentation: Exploiting Pseudo Ground Truth From Learned Pairwise Affinity},
author = {Weiyao Wang and Matt Feiszli and Heng Wang and Jitendra Malik and Du Tran},
journal= {arXiv preprint arXiv:2204.06107},
year = {2022}
}
备注
CVPR 2022