推荐星级：
- 1
- 2
- 3
- 4
- 5
利用可分离卷积和多级特征的实例分割
资料介绍
摘要: 实例分割是一项具有挑战性的任务,它不仅需要每个实例的边界框,而且需要精确的像素级分割掩码.最
近提出的端到端的全卷积实例感知分割网络(FCIS)在检测与分割的结合方面做得很好.但是,FCIS 没有利用低层特
征,而低层次的特征信息在检测和分割上都证明是有用的.在FCIS 的基础上,提出了一种新的模型,充分利用了各层
次的特征,并对实例分割模块进行了优化.该方法在检测分支中使用了具有大型卷积核的可分离卷积来获得更精确
的边界框.同时,设计了一个包含边界细化操作的分割模块,以获得更精确的掩模.此外,将Resnet-101 网络中的低级、
中级和高级特征组合成4 个不同级别的新特征,每个新特征都被用于生成实例的掩码.这些掩码被相加之后通过进
一步细化以产生最终的最精确的掩模.通过这3 项改进,实验结果表明,该方法明显优于基线方法FCIS,相比于FCIS,
该方法在PASCAL VOC 数据集上的评测指标mAPr@ 0.5 和mAPr@ 0.7 分别提高了4.9%和5.8%.
关键词: 实例分割;可分离卷积;边界细化;多级特征
部分文件列表
| 文件名 | 大小 |
| 利用可分离卷积和多级特征的实例分割.pdf | 1M |
部分页面预览
（完整内容请下载后查看）软件学报 ISSN 1000-9825, CODEN RUXUEW
E-mail:
Tel: +86-10-62562563
Journal of Software ,2019,30(4):954 961 [doi: 10.13328/j.cnki.jos.005667]
? 中国科学院软件研究所版权所有
.
利用可分离卷积和多级特征的实例分割
1
2
2
王子愉
, 袁 春, 黎健成
1( 清华大学 计算机科学与技术系
,北京 100084)
2( 清华大学 深圳研究生院 ,广东 深圳 518000)
通讯作者 : 王子愉 , E-mail:
摘 要: 实例分割是一项具有挑战性的任务
,它不仅需要每个实例的边界框
(FCIS)在检测与分割的结合方面做得很好
.在 FCIS 的基础上 ,提出了一种新的模型 ,充分利用了各层
.该方法在检测分支中使用了具有大型卷积核的可分离卷积来获得更精确
,而且需要精确的像素级分割掩码
.最
近提出的端到端的全卷积实例感知分割网络
.但是,FCIS 没有利用低层特
征,而低层次的特征信息在检测和分割上都证明是有用的
次的特征 ,并对实例分割模块进行了优化
的边界框 .同时,设计了一个包含边界细化操作的分割模块
,以获得更精确的掩模 .此外,将 Resnet-101 网络中的低级、
4 个不同级别的新特征 ,每个新特征都被用于生成实例的掩码 .这些掩码被相加之后通过进
中级和高级特征组合成
一步细化以产生最终的最精确的掩模
.通过这 3 项改进 ,实验结果表明 ,该方法明显优于基线方法 FCIS,相比于 FCIS,
r
该方法在 PASCAL VOC 数据集上的评测指标 mAPr
@ 0.5 和 mAP @ 0.7 分别提高了 4.9%和 5.8%.
关键词 : 实例分割 ;可分离卷积 ;边界细化 ;多级特征
中图法分类号 : TP391
中文引用格式 : 王子愉 ,袁春 ,黎健成 .利用可分离卷积和多级特征的实例分割
.软件学报 ,2019,30(4):954 –961. http://www.jos.
org.cn/1000-9825/5667.htm
英文引用格式 : Wang ZY, Yuan C, Li JC. Instance segmentation with separable convolutions and multi-level features. Ruan Jian
Xue Bao/Journal of Software, 2019,30(4):954 961 (in Chinese).
Instance Segmentation with Separable Convolutions and Multi-level Features
1
WANG Zi-Yu , YUAN Chun2, LI Jian-Cheng 2
1(Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China)
2(Graduate School at Shenzhen, Tsinghua University, Shenzhen 518000, China)
Abstract : Instance segmentation is a challenging task for it requires not only bounding-box of each instance but also precise
segmentation mask of it. Recently proposed fully convolutional instance-aware semantic segmentation (FCIS) has done a good job in
combining detection and segmentation. But FCIS cannot make use of low level features, which is proved useful in both detection and
segmentation. Based on FCIS, a new model is proposed which refines the instance masks with features of all levels. In the proposed
method, large kernel separable convolutions are employed in the detection branch to get more accurate bounding-boxes. Simultaneously, a
segmentation module containing boundary refinement operation is designed to get more precise masks. Moreover, the low level, medium
level, and high level features in Resnet-101 are combined into new features of four different levels, each of which is employed to generate
a mask of an instance. These masks are added and refined to produce the final most accurate one. With the three improvements, the
proposed approach significantly outperforms baseline FCIS as it provides 4.9% increase in
mAPr@0.5 and 5.8% increase in mAPr @0.7
基金项目 : 国家自然科学基金 (U1833101); 深圳市基础研究资助项目 (JCYJ20160428182137473); 腾讯清华大学联合研究中心
资助项目
Foundation item: National Nature Science Foundation of China (U1833101); Shenzhen Foundational Research Project (JCYJ2016
0428182137473); The Joint Research Center of Tencent & Tsinghua University
本文由“多媒体数据的知识关联与理解专题
”特约编辑蒋树强研究员、刘青山教授、孙立峰教授、李波教授推荐
.
收稿时间 : 2018-04-23; 修改时间 : 2018-06-13, 2018-09-30; 采用时间 : 2018-10-31
全部评论(0)