全景特征金字塔网络
计算机视觉与模式识别
2019-04-12 v2
摘要
最近引入的全景分割任务重新激发了我们社区对统一实例分割（针对thing类）和语义分割（针对stuff类）任务的兴趣。然而，当前用于该联合任务的最先进方法对实例和语义分割使用分离且不相似的网络，不进行任何共享计算。在这项工作中，我们旨在从架构层面统一这些方法，为两个任务设计单一网络。我们的方法是通过共享的特征金字塔网络（FPN）骨干，赋予流行的实例分割方法Mask R-CNN一个语义分割分支。令人惊讶的是，这一简单基线不仅对实例分割保持有效，还产生了一种轻量、性能顶尖的语义分割方法。在这项工作中，我们对这一 minimally 扩展版的带FPN的Mask R-CNN（我们称之为Panoptic FPN）进行了详细研究，并展示它是两项任务的鲁棒且准确的基线。鉴于其有效性和概念简洁性，我们希望我们的方法能作为强基线并助力未来的全景分割研究。
引用
@article{arxiv.1901.02446,
title = {Panoptic Feature Pyramid Networks},
author = {Alexander Kirillov and Ross Girshick and Kaiming He and Piotr Dollár},
journal= {arXiv preprint arXiv:1901.02446},
year = {2019}
}
备注
accepted to CVPR 2019