论文标题：ObjectAug: Object-level Data Augmentation for Semantic Image Segmentation 论文链接：https://arxiv.org/abs/2102.00221 作者单位：复旦大学, 维多利亚大学, 广东省人民医院 实验表明，让DeepLabV3+、U-Net等网络涨点明显！还可与现有的图像级增广方法(如CutMix)结合使用，进一步提高性能！

语义图像分割旨在获得具有精确边界的对象标签，这通常会遭受过度拟合的困扰。最近，已经提出了各种数据增广策略，例如regional dropout 和混合策略来解决该问题。实践证明，这些策略对于指导模型参加较少歧视的部分是有效的。但是，当前策略在图像级别上运行，并且对象和背景是耦合的。因此，由于固定的语义方案，边界没有得到很好的扩展。在本文中，我们提出了ObjectAug来执行物体级的语义图像分割。ObjectAug首先使用语义标签将图像分解为单独的对象和背景。接下来，使用常用的增强方法（例如缩放，平移和旋转）分别增强每个对象。然后，使用图像修复进一步恢复由对象增强带来的黑色区域。最后，将增强对象和背景组装为增强图像。这样，可以在各种语义方案中充分探索边界。另外，ObjectAug可以支持类别感知的增强，为每个类别中的对象提供各种可能性，并且可以轻松地与现有的图像级增强方法结合使用，以进一步提高性能。在自然图像和医学图像数据集上都进行了全面的实验。实验结果表明，我们的ObjectAug可以明显提高分割效果。

内容中包含的图片若涉及版权问题，请及时与我们联系删除