要約
画像の注目領域検出は、深層畳み込みニューラルネットワークのおかげで最近急速な進歩を遂げています。しかし、既存の手法のいずれも、検出された注目領域内の物体インスタンスを特定することはできません。本論文では、入力画像に対して異なる物体インスタンスラベルを持つ注目マスクを生成する注目インスタンスセグメンテーション手法を提案します。当手法は、注目マップの推定、注目物体輪郭の検出、および注目物体インスタンスの識別という3つのステップから構成されています。最初の2つのステップについては、高品質な注目領域マスクと注目物体輪郭を生成する多尺度注目精製ネットワークを提案します。このネットワークを多尺度組合せグループ化とMAPベースの部分集合最適化フレームワークと統合することで、当手法は有望な注目物体インスタンスセグメンテーション結果を生成することができます。さらに、注目インスタンスセグメンテーションに関する研究と評価を促進するために、1000枚の画像とそのピクセル単位での注目インスタンスアノテーションからなる新しいデータベースも構築しました。実験結果は、当手法が公開されているすべてのベンチマークにおいて最新の性能を達成できることを示しており、新規データセットにおける注目インスタンスセグメンテーションでも同様に優れた成果を得ています。（訳者註：「saliency mask」は「注目マスク」、「object instance labels」は「物体インスタンスラベル」、「multiscale saliency refinement network」は「多尺度注目精製ネットワーク」と訳しました。）