基于高置信度检测的蒙特卡洛区域生长语义分割细化
计算机视觉与模式识别
2018-02-23 v1
摘要
尽管使用全卷积网络取得了近期进展，但总体而言，大多数最优（SOTA）语义分割方法产生的分割并未显示出对物体边界的满意贴合。我们提出一种方法来细化此类深度学习模型生成的分割结果。我们的方法以像素密集分割网络生成的置信度分数作为输入，并对低置信度水平的像素重新标记。该重新标记方法采用区域生长机制，将这些像素聚合到具有高分置信度分数和相似外观的邻近区域。为纠正被语义分割算法以高置信度水平错误分类的像素标签，我们通过蒙特卡洛采样区域种子生成多个区域生长步骤。我们的方法在公开可用的COCO和PASCAL数据集上改进了最优全卷积语义分割方法的精度，并且在精细标注的DAVIS数据集的选定序列上显示出明显更好的结果。
引用
@article{arxiv.1802.07789,
title = {Semantic Segmentation Refinement by Monte Carlo Region Growing of High Confidence Detections},
author = {Philipe A. Dias and Henry Medeiros},
journal= {arXiv preprint arXiv:1802.07789},
year = {2018}
}