像素物体性
计算机视觉与模式识别
2017-04-13 v2
摘要
我们提出一种用于生成前景目标分割的端到端学习框架。给定一张未知的新图像，我们的方法为所有“类物体”区域生成像素级掩码——即便是训练期间从未见过的目标类别。我们将该任务表述为对所有像素分配前景/背景标签的结构化预测问题，并使用深度全卷积网络实现。我们方法的关键在于使用图像级目标类别样本与相对较少的边界级标注图像混合训练。我们的方法显著提升了 ImageNet 和 MIT Object Discovery 数据集上前景分割的 SOTA 性能。此外，在超过 100 万张图像上，我们表明其能很好地泛化到训练所用前景图中未出现的目标类别的分割。最后，我们展示了我们的方法如何有益于图像检索与图像重定向，二者在获得我们高质量前景图时均表现优异。
引用
@article{arxiv.1701.05349,
title = {Pixel Objectness},
author = {Suyog Dutt Jain and Bo Xiong and Kristen Grauman},
journal= {arXiv preprint arXiv:1701.05349},
year = {2017}
}