RefineNet：用于高分辨率语义分割的多路径细化网络
计算机视觉与模式识别
2016-11-28 v3
摘要
近年来，极深卷积神经网络（CNN）在目标识别中表现出色，并已成为语义分割等密集分类问题的首选。然而，深度 CNN 中重复的子采样操作（如池化或卷积步长）会导致初始图像分辨率显著降低。在此，我们提出 RefineNet，一种通用的多路径细化网络，它显式地利用下采样过程中所有可用的信息，通过长程残差连接实现高分辨率预测。这样，捕获高级语义特征的较深层可以直接利用来自早期卷积的细粒度特征进行细化。RefineNet 的各个组件采用遵循恒等映射思想的残差连接，从而能够进行有效的端到端训练。此外，我们引入了链式残差池化，它能够高效地捕获丰富的背景上下文。我们进行了全面的实验，并在七个公开数据集上取得了新的 SOTA 结果。特别地，我们在具有挑战性的 PASCAL VOC 2012 数据集上取得了 83.4 的交并比分数，这是迄今为止报告的最佳结果。
引用
@article{arxiv.1611.06612,
title = {RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation},
author = {Guosheng Lin and Anton Milan and Chunhua Shen and Ian Reid},
journal= {arXiv preprint arXiv:1611.06612},
year = {2016}
}