用于语义分割的反馈解码
计算机视觉与模式识别
2019-08-28 v1 计算与语言
图像与视频处理
机器学习
摘要
我们提出了一种新颖的语义分割方法，该方法使用编码器沿反向进行解码。许多语义分割网络采用前馈编码器-解码器架构。通常，输入首先由编码器下采样以提取高级语义特征，然后继续前馈通过解码器模块以恢复低级空间线索。我们的方法以另一种方向工作，让信息从编码器的最后一层向第一层反向流动。编码器在前向传递中执行编码，同一网络在反向传递中执行解码。因此，编码器本身也是解码器。与传统的编码器-解码器架构相比，我们的方法不需要额外的解码层，并进一步重用了编码器权重，从而减少了处理所需的总参数量。我们证明，仅使用 VGG-16 的 13 个卷积层加上一个微小的分类层，我们的模型就显著优于其他同样改编自 VGG-16 的常用模型。在 Cityscapes 语义分割基准测试中，我们的模型比 SegNet 少使用 50.0% 的参数，并取得了高 18.1% 的“IoU class”分数；比 DeepLab LargeFOV 少使用 28.3% 的参数，取得的“IoU class”分数高 3.9%；比 FCN-8s 少使用 89.1% 的参数，取得的“IoU class”分数高 3.1%。我们的代码稍后将在 Github 上公开。
引用
@article{arxiv.1908.08584,
title = {Feedbackward Decoding for Semantic Segmentation},
author = {Beinan Wang and John Glossner and Daniel Iancu and Georgi N. Gaydadjiev},
journal= {arXiv preprint arXiv:1908.08584},
year = {2019}
}