面向任意结构数据的学习传播
计算机视觉与模式识别
2019-09-26 v1
摘要
处理包含任意结构的输入信号（如超像素与点云）仍是计算机视觉中的一大挑战。线性扩散作为图像处理的有效模型，近来已与深度学习算法相融合。本文中，我们提出以全局方式学习数据点间的成对关系，通过空间广义传播网络（SGPN）改进对任意结构数据的语义分割。该网络在代表任意结构数据的一组图上，通过学习的线性扩散过程传播信息。该模块可灵活嵌入并与多种网络（如 CNN）联合训练。我们以语义分割网络实验，使用我们的传播模块在不同数据（图像、超像素与点云）上联合训练。我们表明，与不含有该模块的网络相比，SGPN 持续提升了像素与点云分割的性能。我们的方法为对任意结构数据建模全局成对关系提供了有效途径。
引用
@article{arxiv.1909.11237,
title = {Learning Propagation for Arbitrarily-structured Data},
author = {Sifei Liu and Xueting Li and Varun Jampani and Shalini De Mello and Jan Kautz},
journal= {arXiv preprint arXiv:1909.11237},
year = {2019}
}
备注
ICCV 2019