实例级显著对象分割方法及性能

深度卷积神经网络

PDF格式 | 1.07MB | 更新于2025-01-16 | 30 浏览量 | 举报

实例级显著对象分割

李冠斌

、

谢元

梁林

宜州余

中山大学

香港大学

摘要

由于深度卷积神经网络，图像显著性检测最近取得

了快速进展。然而，现有的方法都不能识别对象

输入

显著区域

已过滤的突出

对象提案

显著实例分割

检测到的显著区域中的实例。在本文中，我们提出了

一个显着的实例分割方法，产生一个显着性掩模与不

同的对象实例标签的输入图像。我们的方法包括三个

步骤，估计显著图，检测显著对象轮廓和识别显著对

象实例。对于前两步，我们提出了一个多尺度显着性

细化网络，它生成高质量的显着区域掩模和显着对象

轮廓。一旦与多尺度组合分组和基于

MAP

的子集优化

框架相结合，我们的方法可以产生非常有前途的显著

对象实例分割结果。为了促进显著实例分割的进一步

研究和评价，我们还构建了一个新的数据库，包含

1000

幅图像及其逐像素显著实例标注。实验结果表

明，我们提出的方法是能够

achieev- ing

国家的最先进

的性能在所有公共基准的显著区域检测，以及我们的

新数据集的显著实例分割。

介绍

显著对象检测试图定位图像中最显著和吸引眼球的

对象区域。它是计算机视觉中的一个基本问题，并作

为预处理步骤，以促进广泛的视觉应用，包括内容感

知图像编辑[4]，对象检测[38]和视频摘要[36]。

最近，由于深度卷积神经网络的部署，显著对象检

测的准确性得到了快速提高[29， 30， 33 ，45]。然

而，大多数先前的方法仅被设计为检测属于任何显著

对象的像素，即，一个密集的显着性图，但不知道显

着对象的个体实例。我们将这些方法执行的任务称为

通讯作者（电子邮件：yizhouy@acm.org）。

图1.实例级显著对象分段的示例

第左：输入图像。左中：检测到的显著区域。中间右侧：过

滤突出对象建议。右：显著实例分割的结果。不同的颜色指

示检测到的显著区域中的不同对象实例。

区域检测在本文中，我们解决了一个更具挑战性的任

务，即实例级显著对象分割（或简称

显著实例分

割

），其目的是在检测到的显著区域中识别单个对象

实例（图1）。①的人。下一代显著对象检测方法需要

在检测到的显著区域内执行更详细的解析以实现这一

目标，这对于实际应用至关重要，包括图像字幕

[25]，多标签图像识别[46]以及各种弱监督或无监督学

习场景[28，9]。

我们建议将突出实例分割任务分解1)估计二进制显

着图。在该子任务中，预测像素级显著性掩模，指示

输入图像中的显著区域2)检测显著对象轮廓。在这个

子任务中，我们对单个显著对象实例执行轮廓检测。

这样的轮廓检测预期抑制虚假的边界以外的对象轮

廓，并指导显着的对象的建议的生成。3)识别显著对

象实例。在该子任务中，生成显著对象提议，并且选

择显著对象提议的小子集以最好地覆盖显著区域。最

后，基于CRF的细化方法被应用于改善显著对象实例

的空间一致性。

最近的一些论文已经探索了使用全卷积神经网络来

生成显着性掩模[30，33，45]。虽然这些方法是有效

的，并能产生良好的效果，但它们都有自己的局限

性。这些方法中的大多数通过从单个VGG网络的内部

多层结构中学习对比来推断显着性[45，33]。由于它

们的输出是从具有统一大小的接收字段中导出的，因

此它们的性能可能不佳

2386

下载后可阅读完整内容，剩余9页未读，立即下载

cpongm

粉丝: 6

实例级显著对象分割方法及性能

显著对象排序：实例分割中的关系揭示与端到端框架

精品--基于深度学习方法的图像分割（含语义分割、实例分割、全景分割）。.zip

基于深度学习的图像分割，包括语义分割、实例分割、全景分割.zip

基于深度对象检测与分割网络的叶实例分割与计数

深度共分割：基于共峰检测与共显着性分析的实例级分割方法

Mask-RCNN实例：网络摄像头对象分割技术解析

点监督实例分割：弱监督新方法与高效性能分析

PointGroup：3D实例分割新方法，探索对象空隙与语义信息

大规模YouTube-VOS数据集与序列到序列视频对象分割方法

噪声边界下的半监督实例分割：新策略与优秀性能

最新资源