本文介绍了在实例分割中扩大物体类别数量的研究，通过偏监督学习结合Mask R-CNN，提出Mask^X R-CNN。利用权重转移从检测框标注中生成分割网络参数，同时训练类别无关的多层感知机以增强性能。实验在COCO和Visual Genome数据集上进行，表明该方法能有效提升模型在未见过类别的分割能力。
[arxiv 1711]Learning to Segment Every Thing
Ronghang Hu, Piotr Dollar, Kaiming He, Trevor Darrell and Ross Girshick
from BAIR & FAIR
Motivation
这是一篇在实例分割问题(instance segmentation)中研究扩展分割物体类别数量的论文。目前instancce segmentation任务分类种类过少主要是因为分割标注的数量较少，而检测框的标注已经覆盖了非常多的种类，比如Visual Genome数据库。如果要拓展可分割物体类别数量，则或多或少需要引入弱/半监督的学习方法。
Method
Partial Supervised Learning
这篇文章的方法来源于Mask R-CNN[1]，作者将自己的模型称作”Mask^X R-CNN”。Mask R-CNN将instance segmentation任务重新定义为“检测&
最低0.47元/天 解锁文章
扫一扫
6501
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
