解读R
R-FCN的位置敏感分数图灵感来自Instance-sensitive Fully Convolutional Networks这篇论文,该论文是针对FCN不能对同类型物体分割的缺点的改进,具体说明见下面:
本论文的出发点:
FCN可以用来做segmentation(分割), 做法是把这个分割问题看成是per-pixel的classification问题。如果有C类,那么就在feature map上生成C类分数图(图一(c))。但是这种做法无法做instance segmentation(实例分割),即对同一类型的各个对象是无法区分的。如下图二所示:
图一 (a)图像分类结果,(b)目标检测, (c)语义分割 ,(d)本文所述的对象分割【1】
图二 FCN语义分割
原本的FCN语义分割方法无法区分图二的两个人的原因是因为conv提取的特征具有位置不变性。这两个人虽然位置不一样,但是它们最终产生的feature map差不多。那么如何做instance-level的segmentation呢?这篇paper给出了一种解决方法。
Instance-sensitive Fully Convolutional Networks
想要做Instance Segmentation,就需要像素针对不同的Instance有不同的响应。为了解决这个问题,作者提出了Instance-FCN。该论文是在FCN基础上面做的改进,利用全卷积实现了Instance-Segmentation。具体流程如下:
1)提出了 instance-sensitive score map</
更多推荐
解读R
发布评论