关于用于语义分割的稠密连接表示层的迭代精炼
计算机视觉与模式识别
2018-05-01 v1
摘要
最先进的语义分割方法通过使用由池化/步幅卷积组成的下采样路径或连续的膨胀卷积来增大其模型的感受野。然而，尚不清楚哪种操作能带来最佳结果。在本文中，我们系统地研究了不同的感受野扩大方法所带来的差异及其对一种称为全卷积 DenseResNet（FC-DRN）的新架构性能的影响。FC-DRN 具有由残差网络组成的稠密连接骨干。遵循标准图像分割架构，改变表示层的感受野扩大操作被交错布置于残差网络之间。这使得模型能够利用残差与稠密连接模式的优势，即：梯度流、表示的迭代精炼、多尺度特征组合与深度监督。为凸显模型的潜力，我们在具有挑战性的 CamVid 城市场景理解基准上测试它，并作出如下观察：1）当下采样操作从零训练模型时优于膨胀操作，2）膨胀操作在模型微调阶段有用，3）较粗的表示需要更少的精炼步骤，以及 4）ResNets（依模型构造）是良好的正则化器，因为它们能在需要时降低模型容量。最后，我们将我们的架构与替代方法比较，并在 Camvid 数据集上报告了至少少一半参数的最先进结果。
引用
@article{arxiv.1804.11332,
title = {On the iterative refinement of densely connected representation levels for semantic segmentation},
author = {Arantxa Casanova and Guillem Cucurull and Michal Drozdzal and Adriana Romero and Yoshua Bengio},
journal= {arXiv preprint arXiv:1804.11332},
year = {2018}
}