通过目测计数与聚类实现显著实例分割
计算机视觉与模式识别
2019-10-01 v1
摘要
显著区域检测的目标是识别图像中最吸引注意力的区域。许多方法已在该任务上达到最先进的性能水平。近来,显著实例分割已成为比传统显著区域检测更具挑战性的任务;然而,现有方法很少关注这一未被充分探索的问题。与通常利用目标提议来粗略计数并定位目标实例的现有方法不同,我们的方法应用显著目标目测计数(subitizing)来预测显著实例分割的准确实例数目。本文中,我们提出一种多任务密集连接神经网络(MDNN)来分割图像中的显著实例。与现有方法相反,我们的框架无提议且类别无关。MDNN 包含两个并行分支:其一是用于目测计数预测的密集连接目测网络(DSN);其二是用于显著区域检测的密集连接全卷积网络(DFCN)。MDNN 同时输出显著图与显著目标目测计数。随后,一种基于自适应深度特征的光谱聚类操作依据目测计数与显著图将显著区域分割为实例。在显著区域检测与显著实例分割数据集上的实验结果均证明了我们框架的满意性能。值得注意的是,其在显著实例数据集上的 [email protected] 与 [email protected] 分别达到 73.46% 与 60.14%,大幅高于最先进算法所取得的成绩。
引用
@article{arxiv.1909.13240,
title = {Salient Instance Segmentation via Subitizing and Clustering},
author = {Jialun Pei and He Tang and Chao Liu and Chuanbo Chen},
journal= {arXiv preprint arXiv:1909.13240},
year = {2019}
}