使用具有显式长程条件作用的门控循环单元进行场景标注
计算机视觉与模式识别
2017-03-29 v2
摘要
循环神经网络（RNN）作为一种强大的上下文依赖建模框架，已被广泛应用于场景标注问题。然而，本工作表明，直接应用将二维网格展开为序列的传统 RNN 架构，由于“影响消失”问题，不足以建模图像中的结构依赖关系。首先，我们对“影响消失”问题进行了实证分析。然后，设计了一种名为具有显式长程条件作用的循环神经网络（RNN-ELC）的新型 RNN 单元，以缓解此问题。为场景标注任务构建了一种新颖的神经网络架构，其中使用了新型 RNN 单元的一种变体——具有显式长程条件作用的门控循环单元（GRU-ELC）——来建模图像中的多尺度上下文依赖关系。我们在三个标准场景标注数据集上以最先进的性能验证了 GRU-ELC 单元的使用。全面的实验表明，新的 GRU-ELC 单元极大地有益于场景标注问题，因为它能比传统 RNN 单元更有效地编码图像中更长的上下文依赖关系。
引用
@article{arxiv.1611.07485,
title = {Scene Labeling using Gated Recurrent Units with Explicit Long Range Conditioning},
author = {Qiangui Huang and Weiyue Wang and Kevin Zhou and Suya You and Ulrich Neumann},
journal= {arXiv preprint arXiv:1611.07485},
year = {2017}
}
备注
updated version 2