Lernen zu clustern für vorschlagsfreie Instanzsegmentierung

Diese Arbeit schlägt ein neues Lernziel vor, um ein tiefes neuronales Netzwerk für die durchgängige Clusterverarbeitung von Bildpixeln zu trainieren. Wir wendeten diesen Ansatz auf die Instanzsegmentierung an, die sich am Schnittpunkt von Bildsemantiksegmentierung und Objekterkennung befindet. Wir nutzen das grundlegendste Merkmal der Instanzbeschriftung – das paarweise Verhältnis zwischen Pixeln – als Überwachung, um das Lernziel zu formulieren, und wenden es dann an, um ein vollständig konvolutionsbasiertes Netzwerk (FCN) zum Lernen der durchgängigen Clusterverarbeitung zu trainieren. Die resultierenden Cluster können direkt als Instanzbeschriftungen verwendet werden. Um die Beschriftung einer unbegrenzten Anzahl von Instanzen zu unterstützen, integrieren wir Ideen aus der Graphenfärbungstheorie in das vorgeschlagene Lernziel. Die Auswertung am Cityscapes-Datensatz zeigt eine starke Leistung und damit den Nachweis des Konzepts. Darüber hinaus belegte unser Ansatz im Rahmen des Lane Detection Competitions des CVPR Autonomous Driving Challenges 2017 den zweiten Platz und war der beste Performer ohne die Verwendung externer Daten.