CascadePSP：通过全局与局部细化实现类无关与超高分辨率分割
计算机视觉与模式识别
2020-05-07 v1
摘要
最先进的语义分割方法几乎完全在固定分辨率范围内的图像上训练。这些分割对于超高分辨率图像是不准确的，因为使用双三次上采样对低分辨率分割进行放大并不能充分捕捉物体边界处的高分辨率细节。在本文中，我们提出了一种新方法，在不使用任何高分辨率训练数据的情况下解决高分辨率分割问题。其核心思想是我们的 CascadePSP 网络，该网络在可能时细化并修正局部边界。尽管我们的网络使用低分辨率分割数据进行训练，我们的方法适用于任意分辨率，甚至大于 4K 的超高分辨率图像。我们在不同数据集上展示了定量与定性研究，表明 CascadePSP 可利用我们新颖的细化模块揭示像素精确的分割边界，而无需任何微调。因此，我们的方法可视为类无关的。最后，我们展示了我们的模型在多类分割中场景解析的应用。
引用
@article{arxiv.2005.02551,
title = {CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement},
author = {Ho Kei Cheng and Jihoon Chung and Yu-Wing Tai and Chi-Keung Tang},
journal= {arXiv preprint arXiv:2005.02551},
year = {2020}
}
备注
Accepted to CVPR2020. Project page: https://github.com/hkchengrex/CascadePSP