论文笔记:WACV2021 DANCE : A Deep Attentive Contour Model for Efficient Instance Segmentation

contour-based的实例分割算法,是对CVPR2020 Deepshake的改进

在Deepshake中,匹配策略破坏了初始轮廓形状。correspondence interlacing, which is caused by accumulated error of perimeter length difference between initial and target contours。

因此本文提出了:

(1)Segment-wise Matching Scheme:

标注的初始轮廓被分成几个segment,这样可以学习到一个更平滑的路线,减轻了correspondence interlacing

首先寻找target轮廓和初始化轮廓的交点,直到达到一定的公差范围(在特殊情况下,以边界框作为初始化轮廓,这些交点是极值点。)。然后将target轮廓分解为若干等segment。在每个分段内,我们根据初始化轮廓对应分段上的顶点数对target轮廓进行统一采样。

对比deepshake,省略了用shake模型构造多边形的步骤,加快训练速度。

(2)Attentive Deformation

Deepshake:回归轮廓上的所有顶点,包括靠近对象边界的顶点。模型学习同时回归边界上和边界外的顶点,这两个顶点具有非常不同的动力学,这将降低学习的效率。

1) the offset regression similar as before

2) an attention module that looks for the off-boundary points among all the vertices, forcing the snake module to focus on regressing those vertices during deformation while leaving the others untouched.(GroupNorm and ReLU)

F_att adaptively re-weights the offsets predicted by the snake module

 

(3)Better Contour Normalization

DeepSnake通过将每个顶点坐标减去轮廓上所有顶点的最小值来对轮廓进行normalization,以实现平移不变轮廓变形。然而,文中认为这种平移不变归一化不足以实现稳定学习,因为回归偏移的范围严重依赖于对象大小。

文中通过引入尺度和平移不变的归一化方案来解决这个问题。具体而言,每个顶点坐标在附加为snake模块的输入特征之前,按照以下方式进行规范化:

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值