SFNet：学习物体感知的语义对应
计算机视觉与模式识别
2019-04-08 v2
摘要
我们解决语义对应问题，即在描绘同一物体或场景类别不同实例的图像之间建立稠密流场。我们提出使用带有二值前景掩码并经过合成几何形变的图像来训练卷积神经网络（CNN）以完成该任务。将这些掩码作为监督信号的一部分，在语义流方法（其训练数据量受限于手动选取点对应的成本）与语义对齐方法（其图像间单一全局几何变换的回归可能对背景杂波等图像特定细节敏感）之间提供了良好折衷。我们提出了一种称为SFNet的新CNN架构来实现该思想。它利用一种新颖且可微的argmax函数进行端到端训练，其损失结合了掩码与流一致性以及平滑项。实验结果表明了我们方法的有效性，在标准基准上显著优于当前最优（state of the art）方法。
引用
@article{arxiv.1904.01810,
title = {SFNet: Learning Object-aware Semantic Correspondence},
author = {Junghyup Lee and Dohyung Kim and Jean Ponce and Bumsub Ham},
journal= {arXiv preprint arXiv:1904.01810},
year = {2019}
}
备注
cvpr 2019 oral paper