【极简笔记】Learning to Segment Every Thing

本文介绍了一种使用weight transfer function在Mask-RCNN上进行迁移学习的方法,使模型能预测只有边界框标注的类别。通过实验,作者发现将检测分支的参数转换为mask分支参数的效果最佳,且两种训练策略对比,端到端联合训练表现更优。尽管存在挑战,如难以分割抽象概念和群体物体,但该方法为实例分割研究提供了新思路。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

【极简笔记】Learning to Segment Every Thing

Learning to Segment Every Thing

现有训练集A,其中的类别都有对应的mask标注(bbox标注也就有了)。又有训练集B,其中的类别只有bounding box标注。文章的核心贡献是提出了一种迁移学习的方法,利用weight transfer function,在Mask-RCNN架构基础上训练一个模型,使得其能够预测数据集B中类别的mask。

weight transfer function: wcseg=Γ(wcdet,θ) w s e g c = Γ ( w d e t c , θ )
公式中包含了与类别 c c 相关的det分支参数

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值