Abstract
由于特征映射的空间分辨率较低和边界像素的比例极低所导致的不平衡问题,预测的实例掩模的边界通常不精确。白话就是mask分辨率低,上采样之后实例的边界会变差,况且边界像素本来就少。提出一个后处理细化框架BPR (Boundary Patch Refinement).。方法:沿着预测的实例边界提取和细化了一系列小的边界块(patch),通过一个更高分辨率的边界补丁细化网络来完成重新细化。
Introduction
校正物体边界附近的误差像素可以大大提高掩模的质量,通过简单地用预测边界在一定欧几里德距离(1px/2px/3px)内的像素的gt标签替换预测,可以获得较大的增益(AP中的9.4/14.2/17.8)增益,特别是对于小对象。
受启发于分割真值的标注行为,注释者通常首先对给定图像中的每个对象进行定位和分类,在标注局部细小边界时,需要放大原图进行标注,在标注大边缘时,不需要放大即可标注。
我们首先沿着预测的实例边界提取一系列小的图像补丁。边界补丁与掩模补丁连接后,输入重新细化网络,该网络进行二值分割ÿ