Predicting Signed Distance Functions for Visual Instance Segmentation

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: id:"swepub:oai:DiVA.org:liu-179288" > Predicting Signed D...

1 av 1
Föregående post
Nästa post
Till träfflistan

Brissman, EmilLinköpings universitet,Datorseende,Tekniska fakulteten (författare)

Predicting Signed Distance Functions for Visual Instance Segmentation

Artikel/kapitelEngelska2021

Förlag, utgivningsår, omfång ...

Institute of Electrical and Electronics Engineers (IEEE),2021
electronicrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:liu-179288
https://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-179288URI
https://doi.org/10.1109/SAIS53221.2021.9484039DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:kon swepub-publicationtype

Anmärkningar

Funding: Wallenberg AI, Autonomous Systems, and Software Program (WASP) - Knut and Alice Wallenberg Foundation
Visual instance segmentation is a challenging problem and becomes even more difficult if objects of interest varies unconstrained in shape. Some objects are well described by a rectangle, however, this is hardly always the case. Consider for instance long, slender objects such as ropes. Anchor-based approaches classify predefined bounding boxes as either negative or positive and thus provide a limited set of shapes that can be handled. Defining anchor-boxes that fit well to all possible shapes leads to an infeasible number of prior boxes. We explore a different approach and propose to train a neural network to compute distance maps along different directions. The network is trained at each pixel to predict the distance to the closest object contour in a given direction. By pooling the distance maps we obtain an approximation to the signed distance function (SDF). The SDF may then be thresholded in order to obtain a foreground-background segmentation. We compare this segmentation to foreground segmentations obtained from the state-of-the-art instance segmentation method YOLACT. On the COCO dataset, our segmentation yields a higher performance in terms of foreground intersection over union (IoU). However, while the distance maps contain information on the individual instances, it is not straightforward to map them to the full instance segmentation. We still believe that this idea is a promising research direction for instance segmentation, as it better captures the different shapes found in the real world.

Ämnesord och genrebeteckningar

Biuppslag (personer, institutioner, konferenser, titlar ...)

Johnander, JoakimLinköpings universitet,Datorseende,Tekniska fakulteten(Swepub:liu)joajo88 (författare)
Felsberg, Michael,1974-Linköpings universitet,Datorseende,Tekniska fakulteten(Swepub:liu)micfe03 (författare)
Linköpings universitetDatorseende (creator_code:org_t)

Sammanhörande titlar

Ingår i:33rd Annual Workshop of the Swedish-Artificial-Intelligence-Society (SAIS): Institute of Electrical and Electronics Engineers (IEEE), s. 5-1097816654423679781665442374

Internetlänk

Hitta via bibliotek

33rd Annual Workshop of the Swedish-Artificial-Intelligence-Society (SAIS) (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Brissman, Emil; Johnander, Joaki ...; Felsberg, Michae ...

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Datorseende och ...

Artiklar i publikationen: 33rd Annual Work ...

Av lärosätet: Linköpings universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se