基于隐空间单实例掩码的无候选框体数据实例分割
计算机视觉与模式识别
2020-09-11 v1
摘要
本文提出了一种新颖的无候选框实例分割方法，该方法建立在以滑动窗口方式预测整幅图像的单实例分割掩码之上。与相关方法不同，我们的方法并发预测所有掩码（每个像素一个），从而在整个图像上联合解决任何冲突。具体而言，来自重叠掩码的预测被组合为带符号图的边权，随后对该图进行划分以并发获得所有最终实例。结果是一个无参数的方法，对噪声具有极强的鲁棒性，并优先采用重叠掩码间具有最高一致性的预测。所有掩码均从低维隐表示中解码，这带来了严格应用于大型体图像所必需的巨大内存节省。我们在具有挑战性的 CREMI 2016 神经元分割基准上测试了我们的方法，其取得了具有竞争力的分数。
引用
@article{arxiv.2009.04998,
title = {Proposal-Free Volumetric Instance Segmentation from Latent Single-Instance Masks},
author = {Alberto Bailoni and Constantin Pape and Steffen Wolf and Anna Kreshuk and Fred A. Hamprecht},
journal= {arXiv preprint arXiv:2009.04998},
year = {2020}
}
备注
Presented at GCPR 2020