Key points are not available for this paper at this time.
Apresentamos uma nova estrutura para gerar e classificar hipóteses plausíveis para a extensão espacial de objetos em imagens usando processos computacionais de baixo para cima e pistas de seleção de nível médio. As hipóteses de objetos são representadas como segmentações figura-fundo, e são extraídas automaticamente, sem conhecimento prévio das propriedades das classes individuais de objetos, resolvendo uma sequência de problemas de Min-Cut Paramétricos Constrangidos (CPMC) em uma grade de imagem regular. Em um passo subsequente, aprendemos a classificar os segmentos correspondentes treinando um modelo contínuo para prever quão prováveis são de exibir regularidades do mundo real (expressas como sobreposição putativa com a verdade de base) com base nas propriedades da região de nível médio, e depois diversificamos a pontuação de sobreposição estimada usando medidas de relevância marginal máxima. Mostramos que este algoritmo supera significativamente o estado da arte para segmentação de baixo nível nos conjuntos de dados VOC 2009 e 2010. Em nossos artigos acompanhantes 1, 2, mostramos que o algoritmo pode ser usado, com sucesso, em um pipeline de reconhecimento de categorias de objetos visuais baseado em segmentação. Esta arquitetura classificou-se em primeiro lugar nos desafios de segmentação e rotulagem de imagens VOC2009 e VOC2010.
Carreira et al. (Ter,) estudaram esta questão.