极市直播回放丨田值:BoxInst,使用外接框标注的高性能实例分割

技术直播 Admin ⋅ 于 3周前 ⋅ 150 阅读

| 极市线上分享 第74期 |

一直以来,为让大家更好地了解学界业界优秀的论文和工作,极市已邀请了超过90位技术大咖嘉宾,并完成了74期极市线上直播分享。往期分享请前往bbs.cvmart.net/topics/149,也欢迎各位小伙伴自荐或推荐更多多优秀的技术嘉宾到极市进行技术分享,与大家一起交流学习\~\~

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。

01 嘉宾介绍

田值,澳大利亚阿德莱德大学计算机科学专业三年级博士生,导师为沈春华教授。主要研究方向为实例识别,包括目标检测,实例分割等。

他已在顶级会议或期刊CVPR/ICCV/ECCV/TPAMI发表十几篇文章。其中一些文章已经成为业内流行的算法,比如目标检测算法FCOS和文字检测算法CTPN。他还获得了2019年的Google PhDFellowship。

更多信息可见个人主页:https://zhitian.xyz

02 关于分享

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

➤论文

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)

03 直播回放

【极市】田值:BoxInst,使用外接框标注的高性能实例分割

PPT下载:
链接:https://pan.baidu.com/s/1oC-LpfDUebSaQgDWJzY3oA
密码:提示:此内容登录后可查看

04 往期回顾

极市平台专注分享计算机视觉前沿资讯和技术干货,特邀请行业内专业牛人嘉宾为大家分享视觉领域内的干货及经验,目前已成功举办74期线上分享。近期在线分享可点击以下标题查看:

……

更多往期分享请浏览:极市计算机视觉技术分享集锦(http://bbs.cvmart.net/topics/149/cvshare)。

在"极市平台"公众号后台回复期数或者分享嘉宾名字,即可获取极市平台对应期在线分享资料。

05 关于极市平台

极市(Extreme Mart)是深圳极视角科技有限公司旗下AI开发者生态,面向计算机视觉算法工程师,为开发者提供算法开发环境、真实数据项目实战、自动测试、加速工具、算法封装等全方位平台技术与工程支持,同时提供技术干货、大咖分享、社区交流、竞赛活动等丰富的内容与服务。官网:http://www.cvmart.net

微信公众号: 极市平台(ID: extrememart )
每天推送最新CV干货

成为第一个点赞的人吧 :bowtie:
回复数量: 0
暂无回复~
您需要登陆以后才能留下评论!