用于实例分割的路径聚合网络
计算机视觉与模式识别
2018-09-19 v4
摘要
信息在神经网络中的传播方式至关重要。本文提出路径聚合网络（PANet），旨在基于候选区域的实例分割框架中增强信息流。具体而言，我们通过自底向上的路径增强，利用低层的精确定位信号强化整个特征层次，缩短了低层与最顶层特征之间的信息路径。我们提出自适应特征池化，将特征网格与所有特征层级连接，使每个特征层级中的有用信息直接传播到后续的候选区域子网络。我们创建了一条捕获每个候选区域不同视角的互补分支，以进一步改进掩码预测。这些改进易于实现，仅带来极小的额外计算开销。我们的PANet在COCO 2017挑战赛实例分割任务中获得第1名，在目标检测任务中获得第2名（无需大批量训练）。它在MVD和Cityscapes上同样达到最先进水平。代码见 https://github.com/ShuLiu1993/PANet
引用
@article{arxiv.1803.01534,
title = {Path Aggregation Network for Instance Segmentation},
author = {Shu Liu and Lu Qi and Haifang Qin and Jianping Shi and Jiaya Jia},
journal= {arXiv preprint arXiv:1803.01534},
year = {2018}
}
备注
Accepted to CVPR 2018