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。
【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
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
