[Daily Paper Reading 1] Panoptic Segmentation/全景分割

简介

  • Kirillov A , He K , Girshick R , et al. Panoptic Segmentation[J]. 2018.
    这篇文章来自于何凯明组,主要工作是提出了将实例分割语义分割结合起来的全景分割任务,并给出了此类任务的性能指标PS(panoptic quality)

主要内容

[Daily Paper Reading 1] Panoptic Segmentation/全景分割_第1张图片
区别
  • 给出了语义分割、实例分割和全景分割的输出格式定义:
    • 语义分割:给每一个像素分配类标签
    • 实例分割:给每一个目标分配类标签和分割掩码
    • 全景分割:给每一个像素分类类标签和实例标签
  • 强调了thingsstuff之间的区别:things可数,对应于实例分割;stuff不可数,对应于语义分割。
  • 文章回顾数据集对于计算机视觉领域中各项任务的推进作用
  • 文章定义了全景分割任务格式


    [Daily Paper Reading 1] Panoptic Segmentation/全景分割_第2张图片
    格式

    并给出了全景分割与实例分割、语义分割之间的联系和区别:比较重要的一点是全景分割中实例不能重叠。

  • 文章给出了全景分割任务的性能指标计算方法:包含两步,一是分割匹配,二是计算每一个匹配的PQ
    匹配

    [Daily Paper Reading 1] Panoptic Segmentation/全景分割_第3张图片
    Cal PQ

    [Daily Paper Reading 1] Panoptic Segmentation/全景分割_第4张图片
    Fig 2
  • 文章将直接将实例分割和语义分割的输出采用启发式的类似于NMS的方式进行融合,得到全景分割的输出,并将结果与人类结果进行比较,发现在机器与人类之间的差距主要在于识别上边(SQ)。
    [Daily Paper Reading 1] Panoptic Segmentation/全景分割_第5张图片
    PS Output

感想

文章为了推动计算机视觉领域向着更接近于人的视觉系统发展,提出了全景分割任务。其输出格式的简洁性,评价性能的简介和完备,逻辑的严密性(主要体现在分割匹配时选择阈值为0.5的说明)是值得学习的。文章中也提到了前深度学习时代的计算机视觉文章,有时间的话可以看一看,了解一下那个时代。

你可能感兴趣的:([Daily Paper Reading 1] Panoptic Segmentation/全景分割)