SIM：面向框监督实例分割的语义感知实例掩码生成
计算机视觉与模式识别
2023-03-16 v1
摘要
仅使用边界框标注的弱监督实例分割近来引起了大量研究关注。当前多数工作利用低层图像特征作为额外监督，而未显式挖掘物体的高层语义信息，当前景物体与背景或邻近其他物体外观相似时，这类方法便会失效。我们提出一种新的框监督实例分割方法，构建了语义感知实例掩码（SIM）生成范式。我们并非重度依赖相邻像素间的局部成对亲和性，而是构建一组类别级特征质心作为原型，以识别前景物体并为其分配语义级伪标签。考虑到语义感知原型无法区分同一语义下的不同实例，我们提出一种自校正机制，在增强正确激活区域的同时修正错误激活区域。此外，为处理物体间的遮挡，我们针对弱监督实例分割任务定制了 Copy-Paste 操作以增广困难训练数据。大量实验结果证明了我们所提 SIM 方法优于其他最先进方法。源代码：https://github.com/lslrh/SIM。
引用
@article{arxiv.2303.08578,
title = {SIM: Semantic-aware Instance Mask Generation for Box-Supervised Instance Segmentation},
author = {Ruihuang Li and Chenhang He and Yabin Zhang and Shuai Li and Liyi Chen and Lei Zhang},
journal= {arXiv preprint arXiv:2303.08578},
year = {2023}
}
备注
Accepted by CVPR2023