1、摘要

我们提出了一个面向前景对象分割的端到端学习框架。考虑到一个单一的新图像，我们的方法为所有“对象”区域(甚至是在训练中从未见过的对象类别)生成一个像素级的掩码。我们将此任务作为一个结构化的预测问题，将一个前景/背景标签分配给每个像素，并使用一个深度完整的卷积网络实现。我们的想法的关键是通过混合图像级别的对象类别示例和相对较少的具有边界级别注释的图像进行培训。我们的方法极大地改进了ImageNet和MIT对象发现数据集的前景分割。此外，在超过100万张图片中，我们展示了它在用于训练的前景图中不可见的片段对象分类。最后，我们展示了我们的方法对图像检索和图像重定向的好处，当我们提供高质量的前景地图时，这两种方法都很有用。我们提出了一个面向前景对象分割的端到端学习框架。考虑到一个单一的新图像，我们的方