基于弱监督的语义前景修复
计算机视觉与模式识别
2020-02-18 v3 机器人学
摘要
语义场景理解是自动驾驶车辆和移动机器人的一项基本任务。在我们的工作中，我们旨在从单张 RGB 图像中估计一张语义分割图，其中前景物体被移除，并用背景类别进行语义修复。这一语义前景修复任务由一个单阶段卷积神经网络（CNN）完成，该网络包含我们新颖的“最大池化即修复”（MPI）模块，并以弱监督方式训练，即不需要为待修复的前景区域提供人工标注的背景标签。我们的方法本质上比先前的两阶段最优（SOTA）方法更高效，并且在 Cityscapes 数据集上对修复后前景区域的 IoU 高出 3%。在未见过的 KITTI 数据集上测试时，该性能差距扩大到 6% IoU。用于测试的代码和人工标注的数据集已在 https://github.com/Chenyang-Lu/semantic-foreground-inpainting 与研究领域共享。
引用
@article{arxiv.1909.04564,
title = {Semantic Foreground Inpainting from Weak Supervision},
author = {Chenyang Lu and Gijs Dubbelman},
journal= {arXiv preprint arXiv:1909.04564},
year = {2020}
}
备注
RA-L and ICRA'20