Panoptic-DeepLab
计算机视觉与模式识别
2019-10-25 v3 机器学习
图像与视频处理
机器学习
摘要
我们提出 Panoptic-DeepLab，一种自下而上、单阶段的全景分割方法。我们的 Panoptic-DeepLab 概念简洁且取得了当前最优结果。特别地，我们分别采用针对语义与实例分割的 dual-ASPP 与双解码器结构。语义分割分支与任何典型语义分割模型（如 DeepLab）的设计相同，而实例分割分支是类无关的，涉及简单的实例中心回归。我们单一的 Panoptic-DeepLab 在所有三个 Cityscapes 基准上刷新了最优记录，在测试集上达到 84.2% mIoU、39.0% AP 和 65.5% PQ，并推进了另一具有挑战性的 Mapillary Vistas 上的结果。
引用
@article{arxiv.1910.04751,
title = {Panoptic-DeepLab},
author = {Bowen Cheng and Maxwell D. Collins and Yukun Zhu and Ting Liu and Thomas S. Huang and Hartwig Adam and Liang-Chieh Chen},
journal= {arXiv preprint arXiv:1910.04751},
year = {2019}
}
备注
This work is presented at ICCV 2019 Joint COCO and Mapillary Recognition Challenge Workshop