实例分割-- instance-sentive fully convolutonal networks

最新推荐文章于 2024-07-26 10:23:17 发布

放牛娃子

最新推荐文章于 2024-07-26 10:23:17 发布

阅读量307

点赞数

分类专栏：实例分割文章标签： Instance-sensitive Fully Convo

本文链接：https://blog.csdn.net/qq_22751305/article/details/103938830

版权

实例分割专栏收录该内容

6 篇文章 0 订阅

订阅专栏

Instance-sensitive Fully Convolutional Networks

最近在研究实例分割，很多都是先检测出instance的bounding box，然后再对box内的像素分类，以此确定前景和背景。但是，有些实例并不能用box来表示。而这篇文章是先分割，再结合滑动窗口确定box。

传统的FCN网络一般生成一个score map，并不能区分实例。而这篇论文提出的FCN网络，在1/8的特征图上，输出9（k*k，k=3）个instance-sensitive score maps、一个objectness score map。instance-sensitive score maps 和objectness scores均在stride=8的特征图上，采用stride=1的两个卷积核生成，如上图所示。采用滑动窗口的形式确定实例。

objectness scores map

在objectness scores map中，每个score对应一个滑动窗口（在1/8的特征图上，以该位置为中心，m*m的矩形窗，论文中，m=21），score的值表示这个滑动窗口存在instance的概率。

assembling

有K*K个instance-sensitive score maps，假定k=3.每个score maps负责不同位置（九宫格，每个图负责对应格子的分割图）的分割结果。

在assembling的过程中，仅仅是将不同的instance-sensitive score maps拷贝到一个滑动窗口对应的位置，合成一个大小为m*m的分割图。若有多个实例，则合成多个m*m的分割图。如下图的Figure 1.绿色大矩形框为一个滑动窗口，标号1~9为不同instance-sensitive score maps中的对应小图像块，最终的实例分割图是将这9个小图像块拷贝到滑动窗口中对应的位置。