王冲 赵志刚 潘振宽 于晓康

摘要：针对人体实例分割任务中存在着姿态多样和背景复杂的问题，提出了一种高精度的实例分割算法。利用Mask R-CNN算法特征融合过程中的细节信息，改善人体分割任务中边缘分割不精确的问题，提高人体分割精度。改进了特征金字塔的特征融合过程，将原有自顶向下的路径改为自底向上，以保留浅层特征图中更多的空间位置信息，并且在特征融合过程中加入多尺度空洞卷积，在增大特征图感受野同时保持分辨率不变，可以避免降采样过程中特征丢失;使用COCO数据集和网络平台，建立新的人体图像数据集。最后将本算法与Mask R-CNN算法做对比，在IoU分别为0.7、0.8和0.9时，准确率提高了0.26，0.41和0.59。实验结果表明，算法在新的人体图像数据集可以得到更精确的结果。

关键词：实例分割;空洞卷积;多尺度特征融合

中图分类号：TP391

文献标志码：A

收稿日期：2020-10-19

通信作者：

于晓康，男，博士，副教授，主要研究方向为计算机几何，计算机图形学，计算机视觉等。E-mail： xyu_qdu@163.com

实例分割实际是目标检测和语义分割的结合。相对于目标检测，实例分割可精确到物体边缘;相对于语义分割，实例分割可以分割出每个独立个体。实例分割算法是从图像中用目标检测方法框出不同实例，然后在不同实例区域内进行逐像素预测的分割方法。目前目标检测领域的深度学习方法主要有两类：双阶段的目标检测算法和单阶段的目标检测算法。双阶段的目标检测算法要先生成一系列的候选框，再进行分类。……