title: PaperNotes Instance-Level Salient Object Segmentation
comments: true
date: 2017-12-20 13:53:11
description:
updated:
categories:
tags:
---
https://arxiv.org/pdf/1704.03604.pdf
摘要
現有的顯著性檢測算法被DL帶了一波節奏，但是好像還沒有說哪個方法能在顯著性區域中找出object instance。本文就是做這件事的：給定輸入圖，先產生顯著性mask，它包含了獨立的目標個體。算法包含三個步驟：1.估計顯著性圖(saliency map);2.檢測顯著目標的邊界(contour)；3.找出所有目標個體。其中前兩步是用一個多尺度顯著性精調網絡算出。。。
Introduction
saliency detection本身僅僅是檢測出顯著性的區域，而沒有精細到目標個體級別。文章認為個體級別是下一步需要關注和解決的問題，把salient instance segmentation問題分解為3個子任務：1)生成pixel-level的saliency mask（用網絡來產生）. 2)檢測出顯著性目標實例的contour，也就是邊界檢測. 3)找出顯著性個體實例，通過產生一些object proposal來做到。最后，基于CRF做微調細節。
提出了MSRNet網絡，既能做顯著性區域檢測，也能做顯著性目標個體檢測。還創建了一個很有挑戰性的數據集。
相關工作
傳統的顯著性檢測方法，分成：
1)bottom-up方法系：基于low-level特征
2)top-down方法系：結合high-level知識
DL也被廣泛使用在顯著性檢測中，基于DL的方法，分成：
1)segmentation or patch based，也就是基于分割或者小塊區域的方法：把各個patch獨立看待，考慮到patch之間的overlap,這種方法計算量大
2)end2end方式的顯著性infernce方法：用一個網絡來搞定精度和效率的問題，包括使用了基于RNN的網絡，缺點是都只考慮了單個尺度（而本文的MSRNet則考慮了多尺度）。
本文提出的算法
------------ ------------- ------------ ----------
| | | | |Salient | | |
|Salient | |Salient | |Instance | |Salient |
|Region | => |Object | => |Generation| => |instance |
|Detection | |Boundary | |(MCG) | |refinement|
| | |Detection | | | |（CRF） |
------------ ------------- ------------ -----------其中第一個subtask和第一個subtask，都用MSRNet來做，先train一個顯著性區域檢測網絡，再用所得網絡去fine-tune邊界檢測。這兩個子任務的對應網絡的loss函數有所不同，錯誤乘法系數一個是2倍，一個是10倍。具體見文章。
使用了MCG這個object proposal generation方法，其中gPb用MSRNet來替代產生。
文章列表
留言列表
