结合卷积层与循环层优势：一种用于语义分割的混合网络
计算机视觉与模式识别
2016-03-17 v1
摘要
语义分割的最优结果由全卷积神经网络（FCNs）取得。FCNs 依赖级联的卷积层与池化层逐步扩大神经元的感受野，导致一种对远距离上下文依赖的间接建模方式。本工作中，我们主张使用空间循环层（即 ReNet 层）来直接捕获全局上下文并带来改进的特征表示。我们通过构建朴素深度 ReNet（N-ReNet）证明了 ReNet 层的有效性，其在 Stanford Background 数据集上取得了有竞争力的性能。此外，我们将 ReNet 层与 FCNs 集成，提出了一种新颖的混合深度 ReNet（H-ReNet）。它具有若干显著特性，包括全图像感受野、端到端训练以及高效的网络执行。在 PASCAL VOC 2012 基准上，H-ReNet 将最优方法 Piecewise、CRFasRNN 和 DeepParsing 的结果分别提升了 3.6%、2.3% 和 0.2%，并在 20 个对象类中的 13 个上取得了最高的 IoU。
引用
@article{arxiv.1603.04871,
title = {Combining the Best of Convolutional Layers and Recurrent Layers: A Hybrid Network for Semantic Segmentation},
author = {Zhicheng Yan and Hao Zhang and Yangqing Jia and Thomas Breuel and Yizhou Yu},
journal= {arXiv preprint arXiv:1603.04871},
year = {2016}
}
备注
14 pages