基于网格化超像素的存储高效深度显著目标分割网络
计算机视觉与模式识别
2018-05-23 v2
摘要
具有像素级标注任务的计算机视觉算法，如语义分割与显著目标检测，因深度学习的引入经历了精度的显著提升。深度分割方法对拥有数亿参数的预训练网络稍作修改并微调。在本工作中，我们质疑对于显著目标分割这一特定任务，是否有必要使用如此耗费内存的网络。为此，我们提出一种从零开始学习存储高效网络的方法，仅使用显著目标检测数据集对其进行训练。我们的方法将图像编码为网格化超像素，其同时保留物体边界与规则像素的连通性规则。该表示允许我们使用在规则网格上操作的卷积神经网络。通过使用这些编码图像，我们训练了一个存储高效网络，其参数数量仅为其他深度显著目标检测网络的 0.048%。我们的方法展现出与最先进深度显著目标检测方法相当的精度，并提供了一种更快且存储高效得多的替代方案。由于其易于部署，此类网络更受内存受限设备（如手机与物联网设备）应用的青睐。
引用
@article{arxiv.1712.09558,
title = {Memory-Efficient Deep Salient Object Segmentation Networks on Gridized Superpixels},
author = {Caglar Aytekin and Xingyang Ni and Francesco Cricri and Lixin Fan and Emre Aksu},
journal= {arXiv preprint arXiv:1712.09558},
year = {2018}
}
备注
6 pages, submitted to MMSP 2018