用于语义分割的多假设上下文建模
计算机视觉与模式识别
2019-01-24 v1
摘要
语义分割（即图像解析）旨在为图像每个像素标注其对应的语义类别标签。图像的空间一致标注需要对局部上下文信息进行准确描述与建模。分割结果通常通过在对初始标签上施加马尔可夫随机场（MRF）优化得以改进。然而，这种改进受限于初始结果的准确性以及上下文邻域的定义方式。本文中，我们发展了用于分割邻域的广义且灵活的上下文模型，以提高解析精度。我们不使用固定的分割与邻域定义，而是探索多种上下文模型，以融合同一图像不同替代分割中可用的互补信息。换言之，我们提出了一种新颖的MRF框架，用于描述并优化多个分割之间的上下文依赖关系。在两个常用数据集上的仿真结果表明，相较于基线方法，解析精度有显著提升。
引用
@article{arxiv.1812.05850,
title = {Multi-hypothesis contextual modeling for semantic segmentation},
author = {Hasan F. Ates and Sercan Sunetci},
journal= {arXiv preprint arXiv:1812.05850},
year = {2019}
}
备注
8 pages and 3 figure, accepted to Pattern Recognition Letters, Elsevier