ELKPPNet：一种用于语义分割中判别性特征学习的边缘感知神经网络与大核金字塔池化
计算机视觉与模式识别
2019-06-28 v1
摘要
语义分割一直是多个研究领域的热点话题。随着深度卷积神经网络的成功，语义分割在城市场景解析和室内语义分割方面均取得了巨大成就与进步。然而，大多数最先进的模型仍面临判别性特征学习的挑战，这限制了模型检测多尺度目标、保证单个目标内部语义一致性或区分外观相似的相邻目标的能力。本文提出了一种实用且高效的边缘感知神经网络用于语义分割。这个端到端可训练的引擎由一个新型编码器-解码器网络、一个大核空间金字塔池化（LKPP）模块和一个边缘感知损失函数组成。编码器-解码器网络被设计为一种平衡结构，以缩小多级特征聚合中的语义和分辨率差距；而 LKPP 模块则构建了密集扩展的感受野，用于多尺度特征提取与融合。此外，还提出了一种新的强大的边缘感知损失函数，可直接从语义分割预测中细化边界，以获得更鲁棒、更具判别性的特征。所提模型的有效性在 Cityscapes、CamVid 和 NYUDv2 基准数据集上得到了验证。ELKPPNet 中两种结构及边缘感知损失函数的性能在 Cityscapes 数据集上进行了验证，而完整的 ELKPPNet 则在 CamVid 和 NYUDv2 数据集上进行了评估。在相同条件下与最先进方法的对比分析证实了所提算法的优越性。
引用
@article{arxiv.1906.11428,
title = {ELKPPNet: An Edge-aware Neural Network with Large Kernel Pyramid Pooling for Learning Discriminative Features in Semantic Segmentation},
author = {Xianwei Zheng and Linxi Huan and Hanjiang Xiong and Jianya Gong},
journal= {arXiv preprint arXiv:1906.11428},
year = {2019}
}