可逆递归实例级目标分割
计算机视觉与模式识别
2015-11-19 v2
摘要
在本工作中，我们提出一种新颖的可逆递归实例级目标分割（R2-IOS）框架，以解决具有挑战性的实例级目标分割任务。R2-IOS由一个预测边界框偏移以细化目标提议位置的可逆提议细化子网络，以及一个生成每个提议中主导目标实例前景掩码的实例级分割子网络组成。通过递归，R2-IOS在联合训练期间迭代优化两个子网络，其中细化的目标提议与改进的分割预测交替输入彼此以逐步提升网络能力。通过可逆，提议细化子网络在训练和测试期间自适应地确定每个提议所需的细化迭代最优次数。此外，为处理提议内多个重叠实例，将实例感知去噪自编码器引入分割子网络，以将主导目标与其他干扰实例区分开。在具有挑战性的PASCAL VOC 2012基准上的大量实验充分证明了R2-IOS优于其他最先进方法的性能。特别地，在 IoU 下 个类的 达到 ，显著优于PFN~\cite{PFN}的 和~\cite{liu2015multi}的 。
引用
@article{arxiv.1511.04517,
title = {Reversible Recursive Instance-level Object Segmentation},
author = {Xiaodan Liang and Yunchao Wei and Xiaohui Shen and Zequn Jie and Jiashi Feng and Liang Lin and Shuicheng Yan},
journal= {arXiv preprint arXiv:1511.04517},
year = {2015}
}
备注
9 pages