用于实例级目标分割的无提议网络
计算机视觉与模式识别
2015-09-11 v2
摘要
实例级目标分割是一项重要但未被充分探索的任务。现有的少数研究几乎都基于区域提议方法提取候选片段，然后利用目标分类产生最终结果。然而，生成准确的区域提议本身颇具挑战。本工作中，我们提出一种无提议网络（Proposal-Free Network, PFN）来解决实例级目标分割问题，该网络基于像素到像素的深度卷积神经网络，输出不同类别的实例数量以及像素级信息：1) 每个像素所属实例边界框的坐标，2) 每个像素对应不同类别的置信度。所有输出结合在一起，通过使用任何现成的聚类方法进行简单后处理，可自然生成最终的实例级目标分割结果。整个PFN可以端到端方式轻松训练，无需提议生成阶段。在具有挑战性的PASCAL VOC 2012语义分割基准上的大量评估表明，所提出的PFN方案在实例级目标分割上大幅优于当前最优方法。具体而言，在0.5 IoU下20个类的 通过PFN达到58.7%，显著高于最优算法SDS [9]和[16]的43.8%和46.3%。
引用
@article{arxiv.1509.02636,
title = {Proposal-free Network for Instance-level Object Segmentation},
author = {Xiaodan Liang and Yunchao Wei and Xiaohui Shen and Jianchao Yang and Liang Lin and Shuicheng Yan},
journal= {arXiv preprint arXiv:1509.02636},
year = {2015}
}
备注
14 pages