分割即你所需要的一切
计算机视觉与模式识别
2019-05-28 v3
摘要
区域提议机制对于现有基于深度学习的图像目标检测方法是必不可少的。尽管它们在正常情况下通常能取得良好的检测性能，但在包含极端情况的场景中其召回率低得不可接受。这主要是因为边界框标注包含大量环境噪声信息，且需要非极大值抑制（NMS）来筛选目标框。因此，本文提出首个无锚框且无NMS的目标检测模型，称为弱监督多模态标注分割（WSMA-Seg），其利用分割模型在不使用NMS的情况下实现准确且鲁棒的目标检测。在WSMA-Seg中，提出多模态标注以利用弱监督边界框实现实例感知分割；我们还开发了基于运行数据的跟踪算法来追踪物体轮廓。此外，我们提出多尺度池化分割（MSP-Seg）作为WSMA-Seg的底层分割模型，以实现更精确的分割并提升WSMA-Seg的检测精度。在多个数据集上的实验结果表明，所提WSMA-Seg方法优于当前最优检测器。
引用
@article{arxiv.1904.13300,
title = {Segmentation is All You Need},
author = {Zehua Cheng and Yuxiang Wu and Zhenghua Xu and Thomas Lukasiewicz and Weiyang Wang},
journal= {arXiv preprint arXiv:1904.13300},
year = {2019}
}
备注
10 Pages