MFP：充分利用概率图进行交互式图像分割
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
FocalClick 提出了一种交互式分割模型，能够通过快速推理实现目标区域的粗细分割，显著降低 FLOP，并优化点击率预测的无模型预训练框架。研究还介绍了多尺度特征传播网络和基于变分推断的概率融合网络，提升了语义分割的性能和鲁棒性。
🔎
延伸解读
交互式分割的效率突破
FocalClick 通过两个快速推理步骤分别处理目标区域和焦点区域，实现粗分割和局部细分割，并采用渐进式合并修正已有分割遮罩。这种方法在显著降低 FLOP 的同时，达到了与 SOTA 方法相当的结果，为交互式分割的实时应用提供了可能。
多尺度特征传播网络的设计
MFPNet 是一种轻量级分割架构，其编码器-解码器结构包含柔性瓶颈残差模块，并利用图卷积网络在模块间进行多尺度特征传播。这种设计能探索深入且丰富的多尺度语义上下文，在基准数据集上表现出优异的分割结果。
概率融合应对模态噪声
VPFNet 基于变分推断，通过随机特征样本平均，并引入加权交叉熵损失函数、光照和类别先验信息，来解决 RGB 和热红外图像融合语义分割中的模态噪声、类不平衡和模态偏差问题。在 MFNet 和 PST900 数据集上，该网络取得了最佳的分割性能。
❓
Q&A
FocalClick模型的主要功能是什么？
FocalClick模型通过快速推理实现目标区域的粗细分割，并有效修正预先存在的分割遮罩。
多尺度特征传播网络（MFPNet）有什么特点？
MFPNet采用鲁棒的编码器-解码器结构，探索多尺度语义上下文，表现出优异的分割结果。
无模型预训练框架如何优化点击率预测？
该框架通过特征破坏和恢复，挖掘多领域分类数据的特征交互，提升了点击率预测的效率和有效性。
基于变分推断的概率融合网络（VPFNet）解决了哪些问题？
VPFNet解决了模态噪声和类不平衡问题，在多个数据集上取得最佳分割性能。
FocalClick模型在性能上与哪些方法相当？
FocalClick模型在显著降低FLOP的情况下，取得与现有最先进（SOTA）方法相当的结果。
该研究的实验结果表明了什么？
实验结果表明，提出的模型在多个基准测试中表现优异，领先于现有方法。
🏷️
