基于贝叶斯融合主动轮廓模型和卷积神经网络先验的对象分割
计算机视觉与模式识别
2024-10-11 v1
摘要
实例分割是计算机视觉中的核心任务，具有重要的实际意义。近期进展由大规模基准数据集推动，产生了良好的通用卷积神经网络 (CNN) 基础方法。自然资源监测 (NRM) 利用遥感图像，图像规模已知且包含多个相同类别的重叠实例，其中对象轮廓呈锯齿状且高度不规则。这与经典基准数据集中的规则人造对象截然不同。我们针对该问题提出了一种针对 NRM 图像的新型实例分割方法。我们将问题形式化为贝叶斯最大后验推断，在学习单个对象轮廓时，融合来自最先进 CNN 架构的形状、位置和位置先验，驱动多个对象轮廓的同步水平集演化。我们采用松耦合方式，将提供先验的 CNN 与主动轮廓过程解耦，以便替换新的网络架构。此外，我们引入了一种新的轮廓形状先验，即基于生成对抗网络 (GAN) 架构的深度形状模型。这种深度形状模型本质上是经典特征值形状表述的非线性推广。在实验中，我们解决了一个具有挑战性的实际问题，即分割单个死树冠层并描绘精确轮廓。我们将方法与两种领先的通用实例分割方法 - Mask R-CNN 和 K-net - 在彩色红外空中图像上进行比较。结果表明，我们的方法在树冠轮廓重建质量方面显著优于两种方法。此外，使用基于 GAN 的深度形状模型先验相对于原始特征值形状先验可显著改善所有结果。
引用
@article{arxiv.2410.07421,
title = {Segmenting objects with Bayesian fusion of active contour models and convnet priors},
author = {Przemyslaw Polewski and Jacquelyn Shelton and Wei Yao and Marco Heurich},
journal= {arXiv preprint arXiv:2410.07421},
year = {2024}
}