SegFix：面向分割的模型无关边界精炼
计算机视觉与模式识别
2020-08-28 v4
摘要
我们提出一种模型无关的后处理方案，以改进任何现有分割模型所生成分割结果的边界质量。受内部像素的标签预测更可靠的实证观察启发，我们提议用内部像素的预测替换边界像素原本不可靠的预测。我们的方法仅通过两步处理输入图像：(i) 定位边界像素；(ii) 为每个边界像素确定相应的内部像素。我们通过学习一个从边界像素指向内部像素的方向来建立对应关系。我们的方法不需要分割模型的先验信息，并达到近乎实时的速度。我们实证验证，我们的 SegFix 在 Cityscapes、ADE20K 和 GTA5 上一致地减少了由各种最先进（SOTA）模型生成的分割结果的边界误差。代码见：https://github.com/openseg-group/openseg.pytorch。
引用
@article{arxiv.2007.04269,
title = {SegFix: Model-Agnostic Boundary Refinement for Segmentation},
author = {Yuhui Yuan and Jingyi Xie and Xilin Chen and Jingdong Wang},
journal= {arXiv preprint arXiv:2007.04269},
year = {2020}
}
备注
ECCV 2020. Project Page: https://github.com/openseg-group/openseg.pytorch