用于图像语义分割的全稠密神经网络学习
计算机视觉与模式识别
2019-05-23 v1
摘要
语义分割是保留关键空间信息的逐像素分类。“特征图重用”在基于 CNN 的方法中已被广泛采用，以利用早期层的特征图进行后期的空间重建。沿此方向，我们更进一步提出一种具有编码器-解码器结构的全稠密神经网络，简称为 FDNet。对于解码器模块中的每个阶段，所有先前块的特征图被自适应聚合以作为前馈输入。一方面，它精确地重建空间边界。另一方面，借助更高效的梯度反向传播，它学习得更高效。此外，我们提出边界感知损失函数，以将更多注意力聚焦于边界附近的像素，从而提升“困难样本”的标注。当不考虑在其他数据集上训练时，我们在两个基准数据集 PASCAL VOC 2012、NYUDv2 上展示了 FDNet 优于先前工作的最佳性能。
引用
@article{arxiv.1905.08929,
title = {Learning Fully Dense Neural Networks for Image Semantic Segmentation},
author = {Mingmin Zhen and Jinglu Wang and Lei Zhou and Tian Fang and Long Quan},
journal= {arXiv preprint arXiv:1905.08929},
year = {2019}
}