以掩码引导的迭代训练复兴交互式分割
计算机视觉与模式识别
2021-02-15 v1
摘要
近期基于点击的交互式分割工作通过采用多种推理时优化方案展示了最先进的结果。这些方法相比前馈方法计算开销显著更大，因为它们在推理时需通过网络执行反向传播，且难以部署在通常仅支持前向传播的移动框架上。本文广泛评估了交互式分割的各类设计选择，发现无需任何额外优化方案即可取得新的最先进结果。因此，我们提出了一种用于基于点击的交互式分割的简单前馈模型，该模型利用前序步骤的分割掩码。它不仅能分割全新对象，还可从外部掩码出发进行修正。在分析不同数据集上训练模型性能时，我们观察到训练数据集的选择极大影响交互式分割质量。我们发现，在兼具多样与高质量标注的 COCO 与 LVIS 组合上训练的模型性能优于所有现有模型。代码与训练模型见 https://github.com/saic-vul/ritm_interactive_segmentation。
引用
@article{arxiv.2102.06583,
title = {Reviving Iterative Training with Mask Guidance for Interactive Segmentation},
author = {Konstantin Sofiiuk and Ilia A. Petrov and Anton Konushin},
journal= {arXiv preprint arXiv:2102.06583},
year = {2021}
}