Deep GrabCut for Object Selection

论文地址：https://arxiv.org/pdf/1707.00243.pdf
代码地址：https://github.com/jfzhang95/DeepGrabCut-PyTorch

（主要就是提出方法的前两步！！！！）
大多数以前基于边界框的分割方法都假设边界框很准，但实际上经常不准。在本文中，提出了一种新的分割方法，它使用矩形框作为软约束，将其转换为欧几里德距离图，将图像与这些距离图concat作为输入。（因此这也是一种基于边界框的分割方法）

对于分割来说重要的两点：（1）框要完整的包含目标 （2）要包含足够的上下文信息进行分割。

传统的模型都依赖于基本的颜色和边缘信息，并且不使用诸如对象的结构和形状之类的高阶知识。

提出的方法：
（1）Rectangle sampling：
randomly jittering the ground truth bounding box

（2）Rectangle transformation：
transforms each of the sampled rectangles into a distance map

（3）CEDN model training：
编码器网络由若干卷积和最大池化层组成，它们将输入数据抽象为小特征映射，而解码器网络具有若干卷积和unpooling层，从粗略到精细重建图像细节。

二分类分割，前景or背景。

输入有4个channel，为了解决过拟合，在解码器网络的每个卷积层之后使用Dropout。此外，在每个训练epoch开始时随机重新采样所有训练数据。
实验：
对于MS COCO数据集，我们使用2014 train-80k数据集进行训练。在每次训练迭代中，我们为每个实例随机抽样4个边界框，并使它们成为小批量。采样参数v为0.15。训练输入大小调整为320×320。我们使用Adam [10]进行优化。学习率为10-5.非最大抑制的阈值为0.5。