重新思考语义图像分割中的空洞卷积
计算机视觉与模式识别
2017-12-06 v3
摘要
在本工作中，我们在语义图像分割应用中重新审视空洞卷积，这是一种显式调整滤波器视野并控制由深度卷积神经网络计算的特征响应分辨率的强大工具。为了处理多尺度目标分割问题，我们设计了以级联或并行方式采用空洞卷积的模块，通过采用多个空洞率来捕获多尺度上下文。此外，我们提出用编码全局上下文的图像级特征来增强我们先前提出的空洞空间金字塔池化模块（该模块在多个尺度上探测卷积特征），以进一步提升性能。我们还详细阐述了实现细节，并分享了我们在训练系统方面的经验。所提出的 `DeepLabv3' 系统在没有 DenseCRF 后处理的情况下，较我们先前版本的 DeepLab 有显著改进，并在 PASCAL VOC 2012 语义图像分割基准上取得了与其他 SOTA 模型相当的性能。
引用
@article{arxiv.1706.05587,
title = {Rethinking Atrous Convolution for Semantic Image Segmentation},
author = {Liang-Chieh Chen and George Papandreou and Florian Schroff and Hartwig Adam},
journal= {arXiv preprint arXiv:1706.05587},
year = {2017}
}
备注
Add more experimental results