论文精读 Learning to Segment Object Candidates（二）

Facebook AI Research 的文章，刚刚开源到github，代码： https://github.com/facebookresearch/deepmask 。其开源代码主要来自于两篇文章，想学习一下这个代码，还是先把出处的两篇文章看完吧。

实验结果：

接上文（一），该论文的主要思想是将deep-network结构的segmentation与object detection结合，其实验结果如下：


实验数据主要在PASCAL VOC 2007和COCO数据集的前5000验证数据进行验证，训练集使用COCO训练数据，约80,000图像，500,000分割的目标。这里的proposal可以取segmentation结果，也可以使用其结果的bounding box。

Metrics:

使用常见的IoU（候选proposal与ground truth的交集/并集）矩阵评价精度。从IoU（0.5,1.0）的平均recall（AR）来看，该方法取得了十分优秀的结果。

Methods:

对比现有的top5的proposal方法：Edge-Boxes，SelectiveSearch，Geodesic，Rigor，MCG。

Localization:

对于很高IoU情况下，DeepMask方法结果不是很好，这可能与本方法在每一个location和scale下进行降采样导致的，通过多尺度或skip connections方法应该可以进行解决。

Speed:

在COCO数据集上1.6s一张图像，较小的PASCAL数据集上平均每图1.2s。（更快的方法：Geodesic  runs at 1s per PASCAL image，MCG takes 30s）

具体评价的图表类型结果如下：

实验与学习：

暂时尝试了一下安装代码，教程比较详细，原图与测试结果如下：


 


感觉非常好玩~虽然注意到狗狗的左下角部分光线暗的地方直接被p没有了，还有后面的花草分割的也不是很好，但是总算比bounding box的结果更有美感。下一步就是自己的数据啦~