一种结合图像分割掩膜边缘优化的B-PointRend网络方法

在实例分割的过程中,Mask R-CNN在CNN特征之上添加全卷积网络(FCN)来生成图像掩膜。其生成的掩膜是由28×28预测掩膜放大为检测框尺寸得到的,因而对于物体边缘不敏感,PointRend通过对实例边缘的"难点"进一步处理得到更精确的实例分割结果,但由于"难点"为两个类别的边界,所以并不容易确定类别。本文提出了一种改进的B-PointRend方法,该方法把图像的像素尺度信息加入到预测中,在实例分割流程之后增添一个边缘修正步骤,采用像素级别的图像边缘检测和处理方式,在分割结果尺度上对检测框掩膜的边缘进行修正。实验结果表明,改进方法得到的物体的掩膜边缘更光滑且连续,更精确地覆盖了真实的物体边缘,在实例分割的准确率等指标上均有提升。