HS3：在分层监督语义分割中以恰当任务复杂度学习
计算机视觉与模式识别
2021-11-04 v1
摘要
尽管深度监督网络在近期文献中十分常见，它们通常对所有过渡层施加相同的学习目标，尽管这些层的表示能力各异。本文中，我们提出分层监督语义分割（HS3），一种训练方案，通过变化任务复杂度来监督分割网络的中间层以学习有意义的表示。为在网络中强制一致的性能-复杂度权衡，我们推导出多组类簇以监督网络的每个过渡层。此外，我们设计了一个融合框架 HS3-Fuse，以聚合这些层生成的分层特征，其可提供丰富的语义上下文并进一步增强最终分割。大量实验表明，我们提出的 HS3 方案以无额外推理成本显著优于原始深度监督。我们提出的 HS3-Fuse 框架进一步改善分割预测，并在两个大型分割基准 NYUD-v2 与 Cityscapes 上取得最先进结果。
引用
@article{arxiv.2111.02333,
title = {HS3: Learning with Proper Task Complexity in Hierarchically Supervised Semantic Segmentation},
author = {Shubhankar Borse and Hong Cai and Yizhe Zhang and Fatih Porikli},
journal= {arXiv preprint arXiv:2111.02333},
year = {2021}
}
备注
Accepted to BMVC 2021