面向语义分割的轮廓感知等势学习
计算机视觉与模式识别
2022-10-04 v1
摘要
随着工业界对高质量语义分割需求的增长，难以区分的语义边界对现有方案构成了重大威胁。受现实生活经验的启发，即结合多种观察有助于提高视觉识别置信度，我们提出了等势学习（EPL）方法。这一新颖模块将预测/真实的语义标签转换至自定义的势域，以沿定制方向学习并推断决策边界。向势域的转换通过轻量的可微各向异性卷积实现，不带来任何参数开销。此外，所设计的两种损失函数，点损失与等势线损失分别实现各向异性场回归与类别级轮廓学习，增强了类间/类内边界区域的预测一致性。更重要的是，EPL与网络架构无关，因此可插入大多数现有分割模型。本文首次尝试以场回归与轮廓学习解决边界分割问题。在Pascal VOC 2012与Cityscapes上有意义的性能提升表明，所提出的EPL模块可使现成的全卷积网络模型在识别语义边界区域时获益。此外，密集的对比与分析展示了EPL在区分语义相似与不规则形状类别上的优良特性。
引用
@article{arxiv.2210.00223,
title = {Contour-Aware Equipotential Learning for Semantic Segmentation},
author = {Xu Yin and Dongbo Min and Yuchi Huo and Sung-Eui Yoon},
journal= {arXiv preprint arXiv:2210.00223},
year = {2022}
}