点监督实例分割
计算机视觉与模式识别
2022-06-17 v2
摘要
我们提出了一种极其简单的点标注方案来收集实例分割的弱监督。除了边界框外，我们为每个边界框内均匀采样的一组点收集二值标签。我们表明，为全掩码监督开发的现有实例分割模型可以使用通过我们的方案收集的点基监督无缝训练。值得注意的是，在 COCO、PASCAL VOC、Cityscapes 和 LVIS 上，每个目标仅用 10 个标注随机点训练的 Mask R-CNN 达到了其全监督性能的 94%--98%，为弱监督实例分割设立了强基线。新的点标注方案比标注完整目标掩码大约快 5 倍，使高质量实例分割在实践中更易获取。受点基标注形式的启发，我们提出对 PointRend 实例分割模块进行修改。对于每个目标，新架构称为 Implicit PointRend，生成用于做出最终点级掩码预测的函数参数。Implicit PointRend 更直接且使用单一的点级掩码损失。我们的实验表明，新模块更适合点基监督。
引用
@article{arxiv.2104.06404,
title = {Pointly-Supervised Instance Segmentation},
author = {Bowen Cheng and Omkar Parkhi and Alexander Kirillov},
journal= {arXiv preprint arXiv:2104.06404},
year = {2022}
}
备注
CVPR 2022, Oral. Project page: https://bowenc0221.github.io/point-sup