利用层次分割的语义实例标注
计算机视觉与模式识别
2018-01-30 v1
摘要
大多数室内 RGBD 语义标注方法侧重于使用像素或超像素来训练分类器。在本文中，我们使用超像素层次结构实现更高层级的分割，以获得更好的分割结果来训练我们的分类器。通过关注更直接符合物体的有意义分割段（无论其大小），我们使用简单特征（如 3D 尺寸、LAB 颜色直方图、宽度、高度以及由表面法线直方图指定的形状）训练了一个由决策树组成的随机森林作为分类器。我们在 NYU V2 深度数据集上测试了我们的方法，这是一个包含杂乱室内环境的具有挑战性的数据集。我们在 NYU V2 深度数据集上的实验表明，无论是在数据集引入的一般语义标注（地板、结构、家具和物体）还是更针对特定物体的语义标注上，我们的方法均取得了 SOTA 结果。我们表明，在来自超像素层次结构的分割上训练分类器，比以往工作中直接在超像素、图像块或像素上训练能产生更好的结果。
关键词
引用
@article{arxiv.1708.00946,
title = {Semantic Instance Labeling Leveraging Hierarchical Segmentation},
author = {Steven Hickson and Irfan Essa and Henrik Christensen},
journal= {arXiv preprint arXiv:1708.00946},
year = {2018}
}