面向低成本语义分割的上下文技巧
计算机视觉与模式识别
2015-02-18 v1
摘要
准确语义标注图像像素是困难的，因为类内差异往往大于类间差异。反过来，快速语义分割是困难的，因为准确的模型通常过于复杂而无法在测试时快速运行。我们构建和运行语义分割系统的经验也显示了一个由小型训练数据集施加的、在模型复杂性上相当明显的瓶颈。因此我们提出两个简单互补的策略，利用上下文来提供更好的语义分割，同时可向上或向下扩展以在不同大小的数据集上训练。作为对现有语义分割算法的简单修改，我们引入去相关语义文本森林(Decorrelated Semantic Texton Forests)和上下文敏感图像级先验(Context Sensitive Image Level Prior)。所提出的修改使用语义文本森林(Semantic Texton Forest, STF)系统测试，并在两个标准基准数据集MSRC-21和PascalVOC-2010上验证。在基于Python的比较中，我们的系统在测试时比STF慢得无统计学意义，但总体上产生了更优的语义分割，且只需一键训练。
引用
@article{arxiv.1502.04983,
title = {Context Tricks for Cheap Semantic Segmentation},
author = {Thanapong Intharah and Gabriel J. Brostow},
journal= {arXiv preprint arXiv:1502.04983},
year = {2015}
}
备注
Supplementary material can be found at http://www0.cs.ucl.ac.uk/staff/T.Intharah/research.html