Panoptic FPN 全景分割

摘要：

當下用于語義分割和實例分割的方法使用的是完全不同的網絡，二者之間沒有很好的共享計算，通過賦予Mask R-CNN一個使用特征金字塔網絡的語義分割分支來在架構層面將這兩種方法結合成一個單一網絡來同時完成實例分割和語義分割的任務。

模型簡介：

Panoptic FPN的目標是設計一個相對簡單的單一網絡來進行全景分割，同時進行實例分割和語義分割任務。對于語義分割任務來說，將空洞卷積/擴張卷積或多尺度特征融合用在語義分割的Dcoder中是目前非常有效的方法（參考Deeplab v3 Plus、DFANet）；對于實例分割來說，帶有特征金字網絡的基于預選區域提議的Mask R-CNN十分流行。Panoptic FPN整合了兩種網絡，保持FPN主干網絡不變，在這個主干的基礎上新增一個與實例分割的分支并行的分支進行語義分割。

論文提出，單獨對每個任務分支（實例分割/語義分割）進行訓練會得到比較好的結果，實例分割效果和Mask R-CNN相同，語義分割的IOU與DeepLabV3+相近。論文中提到，訓練單個FPN來同時解決兩個問題和訓練兩個FPNs的效果相同，但前者減少了大量的計算量。Panoptic FPN在Mask R-CNN上加入了一個輕量級的語義分割分支，用于分割stuff。結構如下：

預測效果：

人工智能 機器學習 AI

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。