利用区域与边界框级标注的显著实例分割
计算机视觉与模式识别
2021-04-29 v3 机器学习
摘要
显著实例分割是显著性检测领域中新近受到广泛关注的一项极具挑战性的任务。新一代显著性检测为视频监控提供了坚实的理论与技术基础。由于现有数据集规模有限且掩码标注成本高昂，亟需大量监督来源以训练性能良好的显著实例模型。本文旨在不依赖费力标注、通过不精确监督训练一种新颖的显著实例分割框架。为此，我们提出一种循环全局上下文显著实例分割网络（CGCNet），其由现成显著目标检测数据集中的显著区域与边界框组合进行监督。为更准确地定位显著实例，提出一种全局特征精炼层，将感兴趣区域（ROI）的特征在场景中扩张至全局上下文。同时，所提框架中嵌入了一种标注更新方案，以为下一次迭代更新粗粒度标签。实验结果表明，该由不精确监督标注训练的端到端框架可与现有全监督显著实例分割方法相媲美。不加任何额外技巧，我们提出的方法在 Dataset1K 测试集上取得了 58.3% 的掩码 AP，优于主流最先进方法。
引用
@article{arxiv.2008.08246,
title = {Salient Instance Segmentation with Region and Box-level Annotations},
author = {Jialun Pei and He Tang and Tianyang Cheng and Chuanbo Chen},
journal= {arXiv preprint arXiv:2008.08246},
year = {2021}
}