基于无状态 actor-critic 与高层先验的实例分割
计算机视觉与模式识别
2023-03-22 v2
摘要
实例分割是一个重要的计算机视觉问题，尽管基于深度学习的方法近期取得了令人印象深刻的进展，其仍具挑战性。若有充足训练数据，全监督方法可取得优异性能，但真值数据的标注仍是一大瓶颈，尤其在必须由领域专家完成的生物医学应用中。利用源自先验知识的规则来引导分割可大幅减少所需标签数量。然而，这些规则通常不可微，因而无法用于现有方法。在此，我们通过使用无状态 actor-critic 强化学习放宽该要求，其支持不可微奖励。我们将实例分割问题表述为图划分，actor-critic 在基于分割实例对物体形状、位置或尺寸高层先验符合度的奖励驱动下预测边权。在合成与真实数据集上的实验表明，我们仅基于丰富先验集即可在无任何直接监督下取得优异性能。
引用
@article{arxiv.2107.02600,
title = {Stateless actor-critic for instance segmentation with high-level priors},
author = {Paul Hilt and Maedeh Zarvandi and Edgar Kaziakhmedov and Sourabh Bhide and Maria Leptin and Constantin Pape and Anna Kreshuk},
journal= {arXiv preprint arXiv:2107.02600},
year = {2023}
}