用于场景解析的多路径反馈循环神经网络
计算机视觉与模式识别
2016-11-23 v3
摘要
本文研究场景解析问题，提出了一种新颖的多路径反馈循环神经网络（MPF-RNN）用于解析场景图像。MPF-RNN能够增强RNN在多个层次上建模长程上下文信息的能力，并更好地区分容易混淆的像素。与仅具有单一反馈的前馈CNN和RNN不同，MPF-RNN通过多条加权循环连接将顶层学习到的上下文特征传播到底层，以学习底层特征。为了更好地训练MPF-RNN，我们提出了一种新策略，该策略考虑多个循环步骤上的累积损失，以提升MPF-RNN在解析小目标上的性能。凭借这两个新颖的组成部分，MPF-RNN在五个具有挑战性的场景解析基准测试（包括传统的SiftFlow、Barcelona、CamVid、Stanford Background以及最新发布的大规模ADE20K）上，相较于强基线模型（VGG16和Res101）取得了显著提升。
引用
@article{arxiv.1608.07706,
title = {Multi-Path Feedback Recurrent Neural Network for Scene Parsing},
author = {Xiaojie Jin and Yunpeng Chen and Jiashi Feng and Zequn Jie and Shuicheng Yan},
journal= {arXiv preprint arXiv:1608.07706},
year = {2016}
}
备注
Accepted by AAAI-17. Camera-ready version