Split GCN：面向离散实例分割的有效交互式标注
计算机视觉与模式识别
2021-12-14 v1 人工智能
摘要
由人工标注物体边界成本高昂。近来，带人机交互的基于多边形的标注方法已展现出成功性能。然而，给定连通的顶点拓扑，这些方法在预测物体中相互分离的部件时存在困难。本文引入 Split-GCN，一种基于多边形方法与自注意力机制的新架构。通过提供方向信息，Split-GCN 使多边形顶点能更精确地移动到物体边界。我们的模型利用关于顶点依赖关系的上下文交换来变换初始拓扑，从而成功预测物体的离散部件。Split-GCN 在 Cityscapes 上展现出与 SOTA 模型竞争的性能，甚至在基线模型上取得更高性能。在四个跨域数据集上，我们验证了模型的泛化能力。
引用
@article{arxiv.2112.06454,
title = {Split GCN: Effective Interactive Annotation for Segmentation of Disconnected Instance},
author = {Namgil Kim and Barom Kang and Yeonok Cho},
journal= {arXiv preprint arXiv:2112.06454},
year = {2021}
}
备注
11 pages