基于卷积神经网络的高分辨率语义标注
计算机视觉与模式识别
2018-02-14 v1
摘要
卷积神经网络（CNNs）在过去几年中受到越来越多的关注。它们最初是为图像分类而设计的，即给整张输入图像分配一个语义标签的问题。本文我们处理稠密语义标注问题，即给图像中每个像素分配一个语义标签。由于这需要高空间精度以确定标签分配位置，旨在对局部形变高度鲁棒的分类CNN并不直接适用。通过改造分类网络，近来提出了许多语义标注CNN。我们的首要贡献是对这些架构的深入分析。我们确立了理想语义标注CNN应具备的性质，并评估这些方法相对于这些性质的表现。我们观察到，尽管它们提供了有竞争力的结果，这些CNN往往未充分利用语义标注的特性，而后者可催生更高效且更有效的架构。基于这些观察，我们推导出一个专门适配语义标注问题的CNN框架。除在不同分辨率下学习特征外，它学习如何组合这些特征。通过以高效灵活的方式整合局部与全局信息，它优于先前技术。我们在高分辨率航空图像标注的公开基准上评估了所提框架，并与最先进架构进行比较。
引用
@article{arxiv.1611.01962,
title = {High-Resolution Semantic Labeling with Convolutional Neural Networks},
author = {Emmanuel Maggiori and Yuliya Tarabalka and Guillaume Charpiat and Pierre Alliez},
journal= {arXiv preprint arXiv:1611.01962},
year = {2018}
}