用于空间感知深度语义分割的距离变换回归
神经与进化计算
2019-09-05 v1 计算机视觉与模式识别
图像与视频处理
摘要
理解视觉场景越来越依赖于通过深度全卷积神经网络获得的稠密像素级分类。然而，由于网络的性质，预测常受模糊边界与分割形状不良之困，从而催生了对后处理的需求。本工作引入了一种基于距离变换回归的新的语义分割正则化方法。在计算标签掩码上的距离变换后，我们在离散与连续空间中以多任务设置训练一个 FCN，联合学习分类与距离回归。这几乎不需要修改网络结构，并为训练过程增加极低的开销。学习逼近距离变换反向传播了空间线索，从而隐式地正则化分割。我们在多个数据集上以若干架构验证了该技术，并展示了相较竞争性基线的显著提升。
引用
@article{arxiv.1909.01671,
title = {Distance transform regression for spatially-aware deep semantic segmentation},
author = {Nicolas Audebert and Alexandre Boulch and Bertrand Le Saux and Sébastien Lefèvre},
journal= {arXiv preprint arXiv:1909.01671},
year = {2019}
}