排序方式： 共有1条查询结果，搜索用时 45 毫秒
1
1.
摘 要：近年来,实例分割技术正受到越来越多的关注。Mask R-CNN 实例分割方法是实
例分割领域中的重要方法,但是用 Mask R-CNN 方法得到的结果中,每个分割出的实例的边缘
往往不够理想,无法与真正的边缘完全吻合。针对此问题,提出了一种用显著性目标提取方法
得到的结果与 Mask R-CNN 实例分割结果相结合的方法,从而得到更好的实例分割边缘。首先,
利用 Mask R-CNN 对图片进行识别,得到实例分割的结果。然后用 PoolNet 对待检测图片进行
处理,得到图片中的显著物体信息。最后用 PoolNet 的结果对实例分割的掩码图边缘进行优化,
从而得到边缘更好的实例分割结果。经过测试,该方法可以对绝大多数待检测目标较为显著的
图片在一些重要指标上得到比 Mask R-CNN 更好的分割结果。 相似文献
1
