【Deep Snake】DeepSnakeforReal-TimeInstanceSegmentation

DeepSnake是一种结合深度学习的实时实例分割方法,基于轮廓检测。它在Kins, Sbd数据集上取得最佳成绩,运行速度达32.3fps。通过学习改进的蛇算法,DeepSnake使用CNN预测轮廓点并迭代优化,以准确捕捉物体边界。" 131033721,1430994,深入理解Linux:用户、组与12位权限模型,"['Linux', '服务器', '运维']
摘要由CSDN通过智能技术生成

在这里插入图片描述

浙江大学 CVPR 2020 oral

paper

code


从论文题目就可以看出论文要做的事情:实时的实例分割。方法,就是利用snake algorithm,但是这里结合深度学习,进而表述为Deep snake

overview


本文使用基于轮廓(contour-based)的deep snake方法,其中,论文提出自己的做法(Innovationcirclular convolution来更好取捕捉contour信息。将整个方法步骤分为2个阶段: initial contour proposalcontour deformation

最终论文的结果:可以在Cityscapes, Kins and Sbdatasets上获得了最好的成绩,且real-time(32.3fps, 512x512 images on 1080Ti GPU)。

Related work


现在有许多的pixel-wise分割方法,同样也有另一种形状表达:object contour

  • 轮廓表达:这个方法用在实例分割上也有很长一段历史了,可追溯到1988年Kass的论文Snakes整体思想:给定一个初始的轮廓,之后利用snakes algorithm来迭代的调整轮廓到物体的边界,这个迭代优化的过程就是不断优化一个energy functional,能量函数指的是轮廓能量图能量的总和(一般只能达到局部最优)
  • 近来也有利用contour去表达目标的实时分割方法,但是效果同pixel-wise仍有和的那差距。
  • CVPR2019的一篇论文Fast interactive object annotation with curve-gcn,论文也使用了Snake algorithm向object boundary调整初始contour(将contour视为graph,并且使用graph convolutional network去预测offset)。做到的结果就已经很好了,且很快。所以本文算是对Snakes: Active contour modelsFast ineractive object annotation with curve-gcn的上层工作啦。大致步骤如下:

在这里插入图片描述

Detail


  • Learning-based snake algorithm

    • 对于Deep snake,给定contour作为输入,contour的表达则用N个顶点(vertices) { X i ∣ i = 0 , 1 , 2 , . . . N }
评论 1
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