用于语义分割的残差卷积-反卷积网格网络
计算机视觉与模式识别
2017-07-27 v2
摘要
本文提出 GridNet，一种用于语义图像分割（全场景标注）的新型卷积神经网络（CNN）架构。经典神经网络实现为从输入到输出的单一流，并在流中应用下采样算子以减小特征图尺寸并增大最终预测的感受野。然而，对于语义图像分割（其任务是为图像中的每个像素提供语义类别），特征图缩减是有害的，因为它会导致输出预测的分辨率损失。为解决此问题，我们的 GridNet 遵循一种网格模式，允许多个相互连接的流在不同分辨率下工作。我们证明该网络概括了许多众所周知的网络，如卷积-反卷积网络、残差网络或 U-Net 网络。GridNet 从零开始训练，并在 Cityscapes 数据集上取得了有竞争力的结果。
引用
@article{arxiv.1707.07958,
title = {Residual Conv-Deconv Grid Network for Semantic Segmentation},
author = {Damien Fourure and Rémi Emonet and Elisa Fromont and Damien Muselet and Alain Tremeau and Christian Wolf},
journal= {arXiv preprint arXiv:1707.07958},
year = {2017}
}
备注
Accepted for publication at BMVC 2017