多任务沙漏模型用于语义分割任务的实证研究
计算机视觉与模式识别
2021-05-31 v1
摘要
语义分割（SS）任务旨在通过逐像素标注图像中出现的每个对象来创建稠密分类。卷积神经网络（CNN）方法已被广泛使用，并在该任务中展现出最佳结果。然而，结果中空间精度的丢失是一个尚未解决的主要缺陷。本工作中，我们提出通过以边缘检测、语义轮廓与距离变换任务补充语义分割任务，来使用多任务方法。我们提出，通过共享公共潜空间，互补任务可产生更鲁棒的表示，从而增强语义标签。我们探究了基于轮廓的任务对潜空间的影响，及其对 SS 最终结果的影响。我们在 Cityscapes、CamVid 与 Freiburg Forest 数据集上，通过在无任何细化后处理的情况下改进当前最优，展示了沙漏模型在多任务设定下学习的有效性。
引用
@article{arxiv.2105.13531,
title = {Empirical Study of Multi-Task Hourglass Model for Semantic Segmentation Task},
author = {Darwin Saire and Adín Ramírez Rivera},
journal= {arXiv preprint arXiv:2105.13531},
year = {2021}
}
备注
To appear in IEEE Access. Code available at https://gitlab.com/mipl/mtl-ss