Transformation de Deep Watershed pour la segmentation d'instances

La plupart des approches contemporaines de la segmentation d'instances utilisent des pipelines complexes impliquant des champs aléatoires conditionnels, des réseaux neuronaux récurrents, des propositions d'objets ou des schémas de correspondance de modèles. Dans notre article, nous présentons un réseau neuronal convolutif simple mais puissant, capable de traiter cette tâche de manière intégrale (end-to-end). Notre méthode combine les intuitions issues de la transformation classique par bassins versants et les techniques modernes d'apprentissage profond pour générer une carte d'énergie de l'image où les instances d'objets sont représentées sans ambiguïté sous forme de bassins dans cette carte. Nous effectuons ensuite une découpe à un seul niveau d'énergie pour obtenir directement des composantes connexes correspondant aux instances d'objets. Notre modèle plus que double les performances de l'état de l'art sur la tâche difficile de segmentation d'instances au niveau objet du dataset Cityscapes.