弱监督语义分割的反卷积特征堆叠
计算机视觉与模式识别
2016-03-15 v3
摘要
本文提出一种带绑定反卷积神经网络的弱监督语义分割框架。框架中的每个反卷积层由非池化和反卷积操作组成。'非池化'基于由对应卷积层的池化操作定义的非池化开关对输入特征图进行上采样。'反卷积'使用与对应卷积层的卷积操作绑定的卷积权重对输入的非池化特征进行卷积。非池化-反卷积组合有助于在特征提取阶段消除判别性较弱的特征，因为反卷积层的输出特征是从最具判别性的非池化特征而非原始特征重建的。这减少了像素级推断阶段的假阳性。从整个反卷积层恢复的所有特征图可根据不同抽象级别构成丰富的判别性特征集。这些特征被堆叠以选择性地用于生成类特定的激活图。在弱监督（图像级标签）下，所提框架在医学图像（胸部X光）的病灶分割上显示出有前景的结果，并在相同实验条件下于PASCAL VOC分割数据集上取得最先进性能。
引用
@article{arxiv.1602.04984,
title = {Deconvolutional Feature Stacking for Weakly-Supervised Semantic Segmentation},
author = {Hyo-Eun Kim and Sangheum Hwang},
journal= {arXiv preprint arXiv:1602.04984},
year = {2016}
}