3、基于水平集演化的边界框监督实例分割方法

基于水平集演化的边界框监督实例分割方法

1. 输入数据项

在实例分割中，水平集演化是一种重要的方法。能量函数会基于物体内外区域的均匀性来推动曲线演化。输入图像 $I_u$ 包含了诸如形状、颜色、图像强度等基本的低级特征。然而，这些低级特征容易受到光照变化、不同材质以及运动模糊的影响，导致水平集演化的鲁棒性降低。

为了获得更鲁棒的结果，除了归一化的输入图像，还考虑了嵌入图像语义信息的高级深度特征 $I_f$。具体做法是充分利用 SOLOv2 中所有 FPN 层的统一高分辨率掩码特征 $F_{mask}$，将其输入到卷积层中提取高级特征 $I_f$。此外，使用树滤波器对特征 $I_f$ 进行增强，树滤波器通过最小生成树来建模长距离依赖关系并保留物体结构。水平集演化的整体能量函数可以表示为：
$F(\varphi) = \lambda_1 * F(\varphi, I_u, c_{u1}, c_{u2}, B) + \lambda_2 * F(\varphi, I_f, c_{f1}, c_{f2}, B)$

其中，$\lambda_1$ 和 $\lambda_2$ 是平衡两种特征的权重，$c_{u1}$、$c_{u2}$ 和 $c_{f1}$、$c_{f2}$ 分别是输入项 $I_u$ 和 $I_f$ 的均值。

2. 水平集初始化

传统的水平集方法对初始化比较敏感，通常需要手动标注。为了解决这个问题，采用了一种边界框投影函数，促使模型在每一步自动生成初始水平集 $\varphi_0$ 的粗略估计。

具体操作是利用真实边界框在 $x$ 轴和 $y$ 轴上的坐标投影，计算预测掩码图与真实边界框之间的投影差异。这种简