语义相关性促进的形变异上下文用于图像分割
计算机视觉与模式识别
2019-09-09 v1
摘要
上下文对语义分割至关重要。由于物体形状多样且其在各类场景图像中布局复杂，不同物体的上下文在空间尺度与形状上差异很大。因此，从预定义的固定区域聚合多样的上下文信息是低效或无效的。本工作中，我们提出为每个像素生成尺度与形状可变的语义掩码以限定其上下文区域。为此，我们首先提出一种新颖的成对卷积来推断该像素对的语义相关性，并基于此生成形状掩码。利用所推断的上下文区域空间范围，我们提出一种形变异卷积，其感受野由随输入外观变化的形状掩码控制。如此，所提网络从像素的语义相关区域而非预定义固定区域聚合上下文信息。此外，本工作还提出一种标签去噪模型，以减少由含噪低级特征导致的错误预测。不借助额外技巧，所提分割网络在六个公开分割数据集上一致取得了新的最优（SOTA）结果。
引用
@article{arxiv.1909.02651,
title = {Semantic Correlation Promoted Shape-Variant Context for Segmentation},
author = {Henghui Ding and Xudong Jiang and Bing Shuai and Ai Qun Liu and Gang Wang},
journal= {arXiv preprint arXiv:1909.02651},
year = {2019}
}
备注
CVPR 2019, Oral