用于单次语义分割的残差金字塔学习
计算机视觉与模式识别
2019-06-19 v1
摘要
像素级语义分割是一项计算量巨大的挑战性任务，尤其是在输入尺寸较大的情况下。在分割模型中，除了特征提取之外，通常还采用额外的解码器结构来恢复空间信息。本文提出了一种在特征残差金字塔网络（RPNet）中进行单次分割的方法，该方法通过在不同层级的残差块上分解标签来学习分割的主体与残差。具体而言，我们利用残差特征学习边缘和细节，并利用恒等特征学习目标的主体部分。在测试时，使用预测的残差来增强顶层预测的细节。残差学习块将网络划分为若干浅层子网络，从而促进了RPNet的训练。随后，我们评估了所提出的方法，并在CamVid和Cityscapes上与近期最先进的方法进行了比较。基于RPNet的单次分割在像素级分割中取得了令人瞩目的高效结果。
引用
@article{arxiv.1903.09746,
title = {Residual Pyramid Learning for Single-Shot Semantic Segmentation},
author = {Xiaoyu Chen and Xiaotian Lou and Lianfa Bai and Jing Han},
journal= {arXiv preprint arXiv:1903.09746},
year = {2019}
}
备注
10 pages, 6 figures, 6 tables