论文阅读：BiSeg: Simultaneous Instance Segmentation and Semantic Segmentation
发布时间
阅读量：
阅读量
这篇文章沿用了InstanceFCN和FCIS方法的思想，在此基础上进行了优化与完善。
创新点1：
在该文章中所述采用7×7分辨率来划分每个单元格时表现最佳，在某些特定场景下则可选用更大的尺寸如9×9也能获得不错的效果。因此提出了一种多尺度融合的方法来进行进一步优化。具体操作如下：
在先前FCIS方法中所得的score maps具有2k²(C+1)维度，在本研究中针对不同类型的feature map进行了详细分析。第一条集合通过附加一个1×1卷积层于conv5之后生成了第二组具有同样维度的score maps；第二条集合则替代表现得更好的 conv3层替代了第一条集合中的 conv5层；其中参数设置为{k₁,k₂}= {7,9}。只需将区域-of-interest（RoI）按照不同尺寸映射至对应的score maps，并计算其对应的RoI likelihood map即可得到最终结果：一个包含inside和outside信息在内的二维 RoI likelihood map（具体数值见下图）。
创新点2：
在FCIS方法中，在RoI likelihood map的基础上主要依赖于Softmax和max操作以分别得到mask与label。在此基础上进一步引入贝叶斯估计模型以显著提升分割精度与分类精确度。
贝叶斯估计主要涉及输入先验概率图、似然概率并推导出后验概率图。本研究采用基于 semantic segmentation 网络生成的分割图作为先验概率图，并将 RoI likelihood map 作为似然概率来源来优化后验概率图作为分割结果。流程图见下文
得到结果图之后的操作和FCIS操作一致。
全部评论 (0)
还没有任何评论哟~