CondNet：用于场景分割的条件分类器
计算机视觉与模式识别
2021-09-22 v1 人工智能
机器学习
机器人学
摘要
全卷积网络(FCN)在场景分割等密集视觉识别任务中取得了巨大成功。FCN的最后一层通常是一个全局分类器(1×1卷积)，用于将每个像素识别为语义标签。我们通过实验表明，这种忽略类内差异的全局分类器可能导致次优结果。在本工作中，我们提出一种条件分类器来替代传统的全局分类器，其中该分类器的卷积核是根据输入动态生成的。新分类器的主要优点包括：(i) 它关注类内差异，带来更强的密集识别能力；(ii) 条件分类器简单且灵活，可集成到几乎所有任意的FCN架构中以改进预测。大量实验表明，所提出的分类器在FCN架构上相对于传统分类器表现更优。配备条件分类器的框架(称为CondNet)在两个数据集上取得了新的最先进(state-of-the-art)性能。代码与模型可在 https://git.io/CondNet 获取。
引用
@article{arxiv.2109.10322,
title = {CondNet: Conditional Classifier for Scene Segmentation},
author = {Changqian Yu and Yuanjie Shao and Changxin Gao and Nong Sang},
journal= {arXiv preprint arXiv:2109.10322},
year = {2021}
}
备注
Accepted to IEEE SPL. 4 pages, 3 figures, 4 tables