【DEXTR】Deep Extreme Cut：From Extreme Points to Object Segmentation

CVPR 2018

概述

---

• 要解决的问题
  • 弱监督分割
  • 通过一个object的left-most, right-most, top, bottom pixels作为输入(最初由Papadopoulos等人的Extreme clicking for efficient object annotation提出的做法)，来获取精准的目标分割（图片or视频）。
• 采用的方法
  • 给输入的RGB图增加额外的一个通道构成网络的输入
• 结果如何
  • 在COCO，PASCAL，Grabcut，DAVIS2016，DAVIS2017表现出了很好的效果。

Dataset	Description
Grabcut	Link
DAVIS2016/2017	video分割数据集

• Contribution
  • 文章号称对以下场景可以用统一的方式来处理好：如监督学习里的标签费时费力费钱，弱监督学习的效果无法很好，半监督学习里的需要人来操作一些步骤，即需要人机的一些交互。
  • paper提出的方法DEXTR可以使用很多任务 ：Instance/Semantic segmentation, Video, Interactive segmentation。
  • 还可以用DEXTR来制作dense annotations to train supervised techniques.

细节

---

Method

• Extreme points：弱监督分割，一般是使用目标的bbox来作为先验信息，但是，为了获取这样的bbox信息还是人力上很麻烦，Papadopo