基于改进Mask R-CNN的模糊图像实例分割的研究

Mask R-CNN是现阶段实例分割相对成熟的方法,针对Mask R-CNN算法当中还存在的分割边界精度以及对于模糊图片鲁棒性较差等问题,该文提出一种基于改进的Mask R-CNN实例分割方法。该方法首先提出在Mask分支上使用卷积化条件随机场(ConvCRF)来优化Mask分支对于候选区域进一步分割,并使用FCN-ConvCRF分支来代替原有分支;之后提出新锚点大小和IOU标准,使得RPN候选框能够涵盖所有实例区域;最后使用一种添加部分经过转换网络转换的数据进行训练的方法。总的mAP值与原算法相比提升了3%,并且分割边界精确度和鲁棒性都有一定提高。

改进级联卷积神经网络的预标注方法

针对目标检测算法中需要人工标注数据,且存在人工成本高、时间成本高、标注效果一般的问题,提出一种基于级联卷积神经网络的图像预标注方法。级联卷积神经网络是目前最先进的目标检测算法之一,将级联卷积神经网络的输入层修改成多尺度方式以及将RPN层采用Anchor Free的方式来提出预检测框,并在公开数据集VOC2007及VOC2012上进行训练和测试,IoU为0.5,FPPI为0.3时,在VOC2007和VOC2012数据集上的recall分别达到了64.52%和65.71%。实验表明,改进后的级联卷积神经网络算法模型具有更高的检测召回率、更低的计算量,对于目标检测预标注来说可以降低人工操作的复杂度,提升标注效率。