基于注意力选择的稠密循环神经网络场景解析
计算机视觉与模式识别
2018-11-13 v1
摘要
循环神经网络(RNNs)已展现出通过捕获图像单元间的长程依赖来改进场景解析的能力。在本文中，我们通过探索图像单元间各种长程语义依赖，提出用于场景标注的稠密 RNNs。与现有基于 RNN 的方法不同，我们的稠密 RNNs 能够通过建立每对图像单元间的直接连接，为每个图像单元捕获更丰富的上下文依赖，这显著增强了其判别力。此外，为从稠密连接中为每个单元选择相关依赖并同时抑制不相关依赖，我们将注意力模型引入稠密 RNNs。该注意力模型自动为有用依赖分配更高重要性，而为无关依赖分配更低权重。结合卷积神经网络(CNNs)，我们开发了端到端的场景标注系统。在三个大规模基准上的大量实验表明，所提方法能大幅改进基线，并优于其他最先进的算法。
引用
@article{arxiv.1811.04778,
title = {Scene Parsing via Dense Recurrent Neural Networks with Attentional Selection},
author = {Heng Fan and Peng Chu and Longin Jan Latecki and Haibin Ling},
journal= {arXiv preprint arXiv:1811.04778},
year = {2018}
}
备注
10 pages. arXiv admin note: substantial text overlap with arXiv:1801.06831