本文主要是介绍【DEXTR】Deep Extreme Cut：From Extreme Points to Object Segmentation，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
CVPR 2018
文章目录
- 概述
- 细节
- Results
- Conclusion
- keypoint & problem
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.
这篇关于【DEXTR】Deep Extreme Cut：From Extreme Points to Object Segmentation的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
