用于实例级语义标注的像素级编码与深度分层
计算机视觉与模式识别
2016-07-15 v2
摘要
近期用于实例感知语义标注的方法已通过复杂的多任务架构或计算昂贵的图模型增强了卷积神经网络（CNNs）。我们提出一种方法，利用全卷积网络（FCN）预测语义标签、深度以及基于实例的编码，该编码使用每个像素朝向其对应实例中心的方向。随后，我们应用低级计算机视觉技术在街道场景数据集KITTI和Cityscapes上生成最先进的实例分割。我们的方法大幅优于现有工作，并且还能从单目图像预测单个实例的绝对距离以及像素级语义标注。
引用
@article{arxiv.1604.05096,
title = {Pixel-level Encoding and Depth Layering for Instance-level Semantic Labeling},
author = {Jonas Uhrig and Marius Cordts and Uwe Franke and Thomas Brox},
journal= {arXiv preprint arXiv:1604.05096},
year = {2016}
}
备注
Accepted at GCPR 2016. Includes supplementary material