弱监督多目标跟踪与分割
计算机视觉与模式识别
2021-01-05 v1
摘要
我们提出弱监督多目标跟踪与分割问题，即联合弱监督实例分割与多目标跟踪，且不提供任何掩码标注。为此，我们利用多任务学习的优势设计了一种新颖的协同训练策略，即分类与跟踪任务引导无监督实例分割的训练。为此，我们提取由 Grad-CAM 热力图提供的弱前景定位信息，以生成用于学习的局部真值。此外，利用 RGB 图像级信息在物体边缘处细化掩码预测。我们在最具代表性的该任务基准 KITTI MOTS 上评估了我们的方法，使全监督与弱监督方法在 MOTSP 指标上的性能差距对于汽车和行人分别仅缩小至 12% 和 12.7%。
引用
@article{arxiv.2101.00667,
title = {Weakly Supervised Multi-Object Tracking and Segmentation},
author = {Idoia Ruiz and Lorenzo Porzi and Samuel Rota Bulò and Peter Kontschieder and Joan Serrat},
journal= {arXiv preprint arXiv:2101.00667},
year = {2021}
}
备注
Accepted at Autonomous Vehicle Vision WACV 2021 Workshop