基于超像素修正的目标提议生成
计算机视觉与模式识别
2021-01-13 v1
摘要
物体的精确分割在类无关目标提议生成或实例分割等任务中是一个重要问题。基于深度学习的系统通常由于 CNN 中固有的下采样而基于粗糙特征图生成物体分割，这导致分割边界不能很好地贴合图像中的物体边界。为解决该问题，我们在最先进的目标提议系统 AttentionMask 之上引入一种新的基于超像素的修正方法。该修正利用超像素池化进行特征提取，并采用一种新颖的超像素分类器来判断高精度超像素是否属于物体。我们的实验表明，与原始 AttentionMask 相比，平均召回率提升高达 26.0%。此外，对分割结果的定性与定量分析表明，相较于多种基于深度学习的最先进目标提议生成系统，所提修正方法在边界贴合度方面有显著改进。
引用
@article{arxiv.2101.04574,
title = {Superpixel-based Refinement for Object Proposal Generation},
author = {Christian Wilms and Simone Frintrop},
journal= {arXiv preprint arXiv:2101.04574},
year = {2021}
}
备注
Accepted at ICPR 2020. Code is available at https://github.com/chwilms/superpixelRefinement