PDFNet：用于城市场景分割的点级稠密流网络
计算机视觉与模式识别
2021-09-22 v1
摘要
近年来，使用深度卷积神经网络（CNN）作为特征编码器（或骨干网络）是多种计算机视觉方法中最常见的架构模式，语义分割也不例外。该架构模式的两个主要缺点是：（i）网络常常无法捕捉墙、栅栏、杆、交通灯、交通标志和自行车等小类别，而这些对于自动驾驶车辆做出准确决策至关重要。（ii）由于深度任意增加，网络分别需要大量标注数据和额外的正则化技术来收敛并防止过拟合风险。虽然正则化技术代价极小，但标注数据的收集是一个昂贵且费力的过程。在这项工作中，我们通过提出一种名为点级稠密流网络（PDFNet）的新型轻量架构来解决这两个缺点。在PDFNet中，我们采用稠密、残差和多捷径连接，以实现网络各部分的平滑梯度流。在Cityscapes和CamVid基准上的大量实验表明，我们的方法在捕捉小类别和少数据场景下显著优于基线。此外，我们的方法在分类训练分布外样本方面取得了可观性能，该评估在Cityscapes到KITTI数据集上进行。
引用
@article{arxiv.2109.10083,
title = {PDFNet: Pointwise Dense Flow Network for Urban-Scene Segmentation},
author = {Venkata Satya Sai Ajay Daliparthi},
journal= {arXiv preprint arXiv:2109.10083},
year = {2021}
}
备注
Technical report - 24 Pages