TernausNetV2：用于实例分割的全卷积网络
计算机视觉与模式识别
2018-06-21 v2
摘要
最常见的实例分割方法较为复杂，采用带有目标提议、条件随机场、模板匹配或循环神经网络的两阶段网络。在本工作中，我们提出 TernausNetV2——一种简单的全卷积网络，可在实例级别从高分辨率卫星影像中提取目标。该网络具有带跳跃连接的流行编码器-解码器架构，但做了若干关键修改，使其可用于语义分割以及实例分割任务。该方法具有通用性，可将任何已成功应用于语义分割的网络扩展以执行实例分割任务。此外，我们将针对 RGB 图像预训练的网络编码器推广至使用额外的输入通道，从而得以从可见光波段向更宽光谱范围进行迁移学习。在 DeepGlobe-CVPR 2018 建筑检测子挑战赛中，基于公开排行榜分数，我们的方法相较于其他方法展现出更优性能。相应的源代码与预训练权重已公开于 https://github.com/ternaus/TernausNetV2。
引用
@article{arxiv.1806.00844,
title = {TernausNetV2: Fully Convolutional Network for Instance Segmentation},
author = {Vladimir I. Iglovikov and Selim Seferbekov and Alexander V. Buslaev and Alexey Shvets},
journal= {arXiv preprint arXiv:1806.00844},
year = {2018}
}