CVPRMar, 2022
FLOAT: 改善多目标多部件场景分析的因式学习对象属性
FLOAT: Factorized Learning of Object Attributes for Improved Multi-object Multi-part Scene Parsing
Rishubh Singh, Pranav Gupta, Pradeep Shenoy, Ravikiran Sarvadevabhatla
TL;DR本文提出 FLOAT 框架，它是一个因式化的标签空间框架，可以有效地实现多对象和多部分图像场景的分割和语义分析。FLOAT 的独立密集预测对象和部分属性，减少了任务复杂度并提高了可扩展性，而推理时的 “缩放” 细化技术可以显著提高细分质量。与现有技术相比，FLOAT 在 Pascal-Part-58、Pascal-Part-108 数据集上，分别实现了 2.0%、2.1% 的 mIOU 和 4.8%、3.9% 的 sqIOU 的绝对提升。我们使用 Pascal-Part 数据集来创建最全面和具有挑战性的数据集 Pascal-Part-201，并实现 8.6% 的 mIOU 和 7.5% 的 sqIOU 的改进，证明了 FLOAT 在对象和零件的多样性中的有效分割。