极市直播回放丨第74期-田值：BoxInst，实例分割创新式突破！仅用Box标注，实现COCO 33.2AP！

实例分割是计算机视觉中最重要的问题之一。实例分割可以提供像素级别的结果， 因此相比目标检测有更广泛的应用场景。但同时实例分割也需要像素级别标注的训练数据。标注这些训练数据往往需要花费巨大的人力。这是导致实例分割不能被广泛使用的主要原因。
在这次分享中，我们邀请到了来自阿德莱德大学的田值博士，为我们介绍他团队最近的工作：
BoxInst: High-Performance Instance Segmentation with Box Annotations
BoxInst可以只使用外接矩形框的标注去训练实例分割网络，并且可以做到非常不错的效果，甚至超过了一些全监督的算法。比如说使用ResNet-101作为backbone，在COCO上BoxInst可以做到33.2的mask AP。另外，这一方法非常简单，只需要改变全监督的算法的损失函数，其他的都可以保持不变。因此，在测试的时候，BoxInst和全监督的方法完全一样。相信BoxInst可以使得大家在很多实际任务上彻底避免mask的标注。
➤详情传送门

极市直播丨田值：BoxInst，实例分割创新式突破！仅用Box标注，实现COCO 33.2AP！

➤论文地址

BoxInst: High-Performance Instance Segmentation with Box Annotations

论文地址：

https://arxiv.org/abs/2012.02310v1

代码地址:

https://github.com/aim-uofa/AdelaiDet (即将开源)

➤分享大纲

1. 实例分割的价值和应用场景

2. 基于条件卷积的实例分割(CondInst)

3. 回顾早先使用Box监督的分割工作

4. BoxInst

5. 实验结果和insights

6. Demo展示

7. 基于BoxInst未来可以探索的工作

➤回放视频在这里☟（建议在pc端观看）

➤部分PPT截图

赞 (0)

相关推荐