Ensembling Instance and Semantic Segmentation for Panoptic Segmentation

要約

【タイトル】パノプティック・セグメンテーションのためのインスタンスセグメンテーションと意味セグメンテーションのアンサンブル

【要約】
– COCOパノプティックセグメンテーションタスクの解決法を示す。
– 方法は最初にインスタンスセグメンテーションと意味セグメンテーションを別々に実行し、それらを組み合わせてパノプティックセグメンテーション結果を生成する。
– データのバランスの問題を解決するために、Mask R-CNNの複数のエキスパートモデルをインスタンスセグメンテーションに追加し、HTCモデルを採用して最高のインスタンスセグメンテーション結果を得た。
– 意味セグメンテーションでは、様々なバックボーンで複数のモデルをトレーニングし、アンサンブル戦略を使用してセグメンテーション結果をさらに向上させた。
– 最後に、インスタンスセグメンテーションと意味セグメンテーションの様々な組み合わせを分析し、最終的なパノプティックセグメンテーション結果のパフォーマンスを報告した。
– 当研究のベストモデルは、2019年COCOパノプティックテストデータで$ PQ $47.1を達成した。

要約(オリジナル)

We demonstrate our solution for the 2019 COCO panoptic segmentation task. Our method first performs instance segmentation and semantic segmentation separately, then combines the two to generate panoptic segmentation results. To enhance the performance, we add several expert models of Mask R-CNN in instance segmentation to tackle the data imbalance problem in the training data; also HTC model is adopted yielding our best instance segmentation results. In semantic segmentation, we trained several models with various backbones and use an ensemble strategy which further boosts the segmentation results. In the end, we analyze various combinations of instance and semantic segmentation, and report on their performance for the final panoptic segmentation results. Our best model achieves $PQ$ 47.1 on 2019 COCO panoptic test-dev data.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI