物体边界引导的语义分割
计算机视觉与模式识别
2016-07-08 v4
摘要
语义分割对于图像内容理解和物体定位至关重要。全卷积神经网络（FCN）的近期发展使得准确的像素级标注成为可能。先前工作的一个问题是，基于 FCN 的方法没有利用物体边界信息来描绘分割细节，因为物体边界标签在网络训练中被忽略。为解决这个问题，我们引入了一种双分支全卷积神经网络，它将所需的语义类别标注的学习与由重新标注的边界引导的掩码级物体提议分离开来。该网络称为物体边界引导 FCN（OBG-FCN），能够通过设计的掩码架构以全卷积方式优雅地整合物体形状和类别特征的独特属性。我们在 PASCAL VOC 分割基准上进行了实验，并表明端到端可训练的 OBG-FCN 系统在优化目标语义分割质量方面提供了巨大改进。
引用
@article{arxiv.1603.09742,
title = {Object Boundary Guided Semantic Segmentation},
author = {Qin Huang and Chunyang Xia and Wenchao Zheng and Yuhang Song and Hao Xu and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:1603.09742},
year = {2016}
}
备注
The results in the first version of this paper are mistaken due to overlapping validation data and incorrect benchmark methods