Schwach überwachte Instanzsegmentierung durch tiefes Gemeinschaftslernen

Wir präsentieren einen schwach überwachten Algorithmus zur Instanzsegmentierung, der auf tiefen Community-Lernen mit mehreren Aufgaben basiert. Diese Aufgabe wird als Kombination von schwach überwachter Objekterkennung und semantischer Segmentierung formuliert, bei der einzelne Objekte derselben Klasse getrennt identifiziert und segmentiert werden. Wir lösen dieses Problem durch die Gestaltung einer einheitlichen Architektur für neuronale Netze, die eine positive Rückkopplungsschleife zwischen Objekterkennung mit Bounding-Box-Regression, Generierung von Instanzmasken, Instanzsegmentierung und Merkmalsextraktion bildet. Jedes Netzwerkkomponente interagiert aktiv mit den anderen, um die Genauigkeit zu verbessern, und die End-to-End-Ausbildbarkeit unseres Modells macht unsere Ergebnisse robuster und reproduzierbarer. Der vorgeschlagene Algorithmus erreicht in der schwach überwachten Einstellung ohne zusätzliche Trainingsmethoden wie Fast R-CNN und Mask R-CNN auf dem Standard-Benchmark-Datensatz Spitzenleistungen. Die Implementierung unseres Algorithmus ist auf der Projektwebseite verfügbar: https://cv.snu.ac.kr/research/WSIS_CL.