骨架真值提取：方法、标注工具与基准
计算机视觉与模式识别
2023-10-11 v1 机器学习
摘要
骨架真值（GT）对有监督骨架提取方法的成功至关重要，尤其在深度学习技术流行的当下。此外，我们看到骨架 GT 不仅用于以卷积神经网络（CNN）训练骨架检测器，也用于评估骨架相关的剪枝与匹配算法。然而，大多数现有形状与图像数据集缺乏骨架 GT 且 GT 标准不一致。因此，难以在公平基础上评估与复现基于 CNN 的骨架检测器及算法。本文提出一种针对二值形状与自然图像中物体骨架 GT 提取的启发式策略。该策略建立在诊断性假设扩展理论之上，能够基于目标上下文、简洁性与完整性的线索编码人在回路的 GT 提取。利用此策略，我们开发了工具 SkeView，为 17 个现有形状与图像数据集生成骨架 GT。随后以代表性方法对这些 GT 做结构性评估，建立可用于公平比较的基线。实验表明，我们的策略生成的 GT 在标准一致性上质量良好，并在简洁性与完整性间取得平衡。
引用
@article{arxiv.2310.06437,
title = {Skeleton Ground Truth Extraction: Methodology, Annotation Tool and Benchmarks},
author = {Cong Yang and Bipin Indurkhya and John See and Bo Gao and Yan Ke and Zeyd Boukhers and Zhenyu Yang and Marcin Grzegorzek},
journal= {arXiv preprint arXiv:2310.06437},
year = {2023}
}
备注
Accepted for publication in the International Journal of Computer Vision (IJCV)