Straight to Shapes++:更精准的实时实例分割
计算机视觉与模式识别
2019-07-31 v2 人工智能
机器学习
摘要
实例分割是计算机视觉中的重要问题,在自动驾驶、无人机导航与机器人操控中有应用。然而,多数现有方法非实时,使其在对时间敏感场景中的部署复杂化。本工作中,我们扩展了一种称为“Straight to Shapes”(STS)的现有实时实例分割方法,其利用低维形状嵌入空间直接回归至目标形状掩码。STS 模型在高端台式机上可以 35 FPS 运行,但精度明显劣于离线最先进方法。我们借助深度实例分割模型设计与训练的最新进展,在保持 STS 模型实时能力的同时提升其性能精度。具体而言,我们发现参数共享、更激进的数据增强以及用于形状掩码预测的结构化损失的使用均对网络性能有切实提升。我们提出的方法“Straight to Shapes++”在 PASCAL VOC 数据集上相较原方法取得 mAP(IOU 为 0.5 时)19.7 点的显著提升,从而重新定义了实时速度下的精度前沿。由于实例分割精度与目标边界框预测精度紧密相关,我们也研究了后者的误差分布并检视了本方法的失效模式以资未来改进。
引用
@article{arxiv.1905.11358,
title = {Straight to Shapes++: Real-time Instance Segmentation Made More Accurate},
author = {Laurynas Miksys and Saumya Jetley and Michael Sapienza and Stuart Golodetz and Philip H. S. Torr},
journal= {arXiv preprint arXiv:1905.11358},
year = {2019}
}
备注
Technical report, 27 pages (12 main, 15 supplementary), 17 figures, 14 tables