一种基于排序与语义一致性约束的实例分割改进方法

摘要

本发明提出一种基于排序与语义一致性约束的实例分割改进方法，针对如何提高分割实例的掩膜质量问题，主要是提出面向实例分割网络的排序损失与语义一致性损失，前者优化子区域的选择结果，后者优化子区域的语义分割结果。实例分割属于计算机视觉领域的重要任务，既要求区分具体实例，又要求完成分类与定位任务。当前的实例分割方法，存在分割实例的掩膜质量不高的问题，这对很多实际任务有不可忽略的负面影响。提出的排序损失与语义一致性损失，可以应用于目前已有的任意两阶段与单阶段实例分割框架中。在公开数据集上进行的实验表明，增加排序损失与语义一致性损失后，深度网络的实例分割效果均取得一定程度的提升，分割实例的掩膜质量有所改善。