用于高效自底向上语义实例分割的语义互斥分水岭
计算机视觉与模式识别
2020-01-01 v1
摘要
语义实例分割是同时将图像划分为不同片段并为每个像素关联类别标签的任务。在常用流程中，分割与标签分配是分开求解的，因为联合优化计算代价高昂。我们提出一种源自高效互斥分水岭（Mutex Watershed）分割算法的贪心算法，用于联合图划分与标注。它优化的目标函数与对称多路割（Symmetric Multiway Cut）目标密切相关，并在经验上展现出高效的扩展特性。由于算法的高效性，它可直接在像素上运行，而无需先将图像过分割为超像素。我们在 Cityscapes 数据集（2D 城市场景）和 3D 显微体数据上评估性能。在城市场景中，所提算法与当前深度神经网络结合，优于 Kirillov 等人（2019）的强基线“全景特征金字塔网络”（Panoptic Feature Pyramid Networks）。在 3D 电子显微镜图像中，我们明确展示联合公式优于划分与标注问题的分别优化。
引用
@article{arxiv.1912.12717,
title = {The Semantic Mutex Watershed for Efficient Bottom-Up Semantic Instance Segmentation},
author = {Steffen Wolf and Yuyan Li and Constantin Pape and Alberto Bailoni and Anna Kreshuk and Fred A. Hamprecht},
journal= {arXiv preprint arXiv:1912.12717},
year = {2020}
}