論文
セグメンテーションは、あなたが必要とするすべてであります
https://arxiv.org/abs/1904.13300
第二に、紙のメモ
図1に示すように、非常に乏しい（貧リコール）いくつかの特殊なケースに基づいて、画像内の物体の影響を検出するためのRPN方法、例えば、3
2つの主な理由のために悪いです：
（A）RPN非常に依存バウンディングボックスが、極端な場合のために、グランドトゥルースのマニュアル注釈は多くのノイズが含まれています
（B）NMS閾値は、適切な閾値の適切なカップリング様々な例を見つけることは困難であることができます
2、技術革新
（1）は、提案された弱監修マルチモーダル注釈セグメンテーション（WSMAセグ）、アンカーフリーとNMSフリー、意味論的分割方法（利点は、選択されたスーパーパラメータのいくつかを回避し、複雑な閉塞を緩和、ピクセル・レベル比較セマンティック注釈バウンディングボックス）は、より正確です
（2）は、マルチモーダル（三つのモード状態）に代えboudingボックスラベルのラベルの使用。セマンティックセグメンテーションモデルとして、監督やトレーニングに関する情報や境界追跡アルゴリズムを設計しました。
モード3種類のオブジェクト境界の輪郭であり、二つのオブジェクトの境界が互いに結合しました。図：
ラベルモード生産工程の三種類：
Given an image with bounding box annotations, we first obtain an inscribed ellipse for each bounding box, then the interior mask (channel 0) is obtained by setting the values of pixels on the edge of or inside the ellipses to 1, and setting the values of other pixels to 0. Then, the boundary mask (channel 1) is obtained by setting the values of pixels on the edge of or within the inner width w of the ellipses to 1, and setting the rest to 0. Similarly, the boundary on the interior mask (channel 2) is generated by setting the values of pixels on the edge of or within the inner width w of the area of the elliptical overlap to 1.
边界跟踪算法：
（3）、使用语义分割的方法，那么效果就非常依赖语义分割的模型，因此提出multi-scale pooling segmentation (MSP-Seg) model,
マルチスケールプーリングは、サイズを有する4つのプールkernals利用する 1 × 1を、 3 × 3 、 5 × 5 および 7 × 7 同時にスキップ接続上の残留ブロックにより生成された前回の特徴マップに平均プーリング操作を行うこと
3.プロセス
訓練プロセス
図1は、モデルに従ってトレーニング標識分割マルチモーダル変換boudingボックスを使用して
テストプロセス
図のロジスティック回帰知覚セグメンテーション例にピクセルレベルの操作で割った1三の熱図モデル出力。
図2は、図は、オブジェクトの輪郭を生成する輪郭なぞり操作を使用してセグメント化を行い、外部の四角形の輪郭のバウンディングボックスのオブジェクトを作成します
4、思考
アイデアは非常に良いですが、仕事をする（選択的に、いくつかのベースラインの比較を行うことを選択）効果は非常に説得力がありませんが、非常に限られています
1、違いだものを識別するために、境界追跡アルゴリズムを使用して初期セグメンテーションモデル出力境界マスクと、最終的な境界を知りません
3、それは非常に明確ではありません意味の解釈の3つのモードが記さ
5、要約
セマンティックベースのセグメンテーションを行うには無料のNMSフリー1つの段階アンカー
Gitのハブ紙リスト：https://github.com/zhiAung/Paper