将自动上下文决策森林映射至深度卷积网络用于语义分割
计算机视觉与模式识别
2018-08-14 v3
摘要
我们考虑在给定少量标注训练图像情况下的像素级语义分割任务。解决该任务最流行的两种技术之一是决策森林（DF）和神经网络（NN）。在这项工作中，我们探索了这些技术的两种特殊形式之间的关系：堆叠DF（即自动上下文）与深度卷积神经网络（ConvNet）。我们的主要贡献是表明自动上下文可以映射至具有新颖架构的深度ConvNet，从而进行端到端训练。该映射可用作深度ConvNet的初始化，使得即使在训练数据极有限时也能训练。我们还展示了从精炼后的ConvNet近似映射回第二个堆叠DF，其性能优于原始模型。我们通过实验验证，对于计算机视觉与生物学中的两种不同应用——基于Kinect的深度图像身体部位标注，以及发育斑马鱼显微图像中的体节分割——这些映射优于堆叠DF。最后，我们重新审视从决策树（DT）到NN的核心映射，并表明也可能将具有sigmoid分裂决策的模糊DT映射至NN。这解决了先前映射的多个局限，并对流行的修正线性单元（ReLU）以及最近提出的拼接ReLU（CReLU）激活函数提供了新的见解。
引用
@article{arxiv.1507.07583,
title = {Mapping Auto-context Decision Forests to Deep ConvNets for Semantic Segmentation},
author = {David L. Richmond and Dagmar Kainmueller and Michael Y. Yang and Eugene W. Myers and Carsten Rother},
journal= {arXiv preprint arXiv:1507.07583},
year = {2018}
}