Label-PEnet模型解析

该论文由码隆科技于2019年发布于ICCV期刊上, 该研究专注于仅凭图像级别的标签信息实现物体实例的精确检测与分割。由于人工标注大量训练数据成本高昂, 其显著适用于现实应用场景。相较于以往采用多个离线模块的方法而言, 本论文提出了一种称为序列化标签传播与增强网络（缩写为 Label-PEnet）的新方法。Label-PEnet采用了从粗粒度到细微粒度的方式, 在将图像级别的标签逐步转化为像素级标记的过程中实现了显著提升工业场景中图像数据的应用效率。

Introduction

目标是什么？

Label-PENet旨在采用弱监督的方法，在仅基于图像级别的标注信息下达到当前领域的先进水平的对象分割效果。该方法的核心思路是通过多层次递进式的模块集合实现从图像级别到像素级别的平滑过渡，并遵循从粗到细的工作流程。

贡献总结~

这项工作中，通过四个串联的模块完成：(1)多标签分类模块、(2)对象检测模块、(3)实例细化模块、(4)实例分割模块，在这一过程中对物体外观进行深入的探索与优化调整。该研究采用了分步训练的方法成功训练出Label-PEnet模型。首先，在弱监督实例分割领域提出了序列化标签传播与增强网络(Label-enet)的概念框架。整个系统由四个相互关联的模块组成，在这一环节中持续对物体外观特征进行提取与优化处理以达到更好的识别效果为