基于显著图像的类无关弱监督实例分割
计算机视觉与模式识别
2021-04-06 v1
摘要
人类具有强大的类无关目标分割能力，可精确勾勒未知目标边界，这促使我们提出一种基于框监督类无关目标分割（BoxCaseg）的方案用于弱监督实例分割。BoxCaseg 模型以多任务学习方式使用框监督图像与显著图像联合训练。精细标注的显著图像为框监督图像提供类无关且精确的目标定位引导。由预训练 BoxCaseg 模型预测的目标掩码通过一种新颖的合并与丢弃策略精炼，作为代理真值训练 Mask R-CNN 以实现弱监督实例分割。仅使用 张显著图像，弱监督 Mask R-CNN 在 PASCAL VOC 上与全监督 Mask R-CNN 持平，并在 COCO 上显著优于先前最先进的框监督实例分割方法。源代码、预训练模型与数据集可在 \url{https://github.com/hustvl/BoxCaseg} 获取。
引用
@article{arxiv.2104.01526,
title = {Weakly-supervised Instance Segmentation via Class-agnostic Learning with Salient Images},
author = {Xinggang Wang and Jiapei Feng and Bin Hu and Qi Ding and Longjin Ran and Xiaoxin Chen and Wenyu Liu},
journal= {arXiv preprint arXiv:2104.01526},
year = {2021}
}