基于深度解析网络的语义图像分割
计算机视觉与模式识别
2015-09-25 v2
摘要
本文通过将丰富信息（包括高阶关系和标签上下文混合）融入马尔可夫随机场（MRF）来解决语义图像分割问题。与之前使用迭代算法优化MRF的工作不同，我们提出一种卷积神经网络（CNN），即深度解析网络（DPN），通过单次前向传播实现确定性的端到端计算，从而求解MRF。具体而言，DPN扩展了当前的CNN架构来建模一元项，并精心设计了附加层以近似用于成对项的平均场算法（MF）。它具有几个引人注目的特性。首先，与近期结合CNN和MRF的工作（在反向传播期间每个训练图像需要多次MF迭代）不同，DPN能够通过近似一次MF迭代实现高性能。其次，DPN表示多种类型的成对项，使得许多现有工作成为其特例。第三，DPN使MF更容易在图形处理单元（GPU）中并行化和加速。DPN在PASCAL VOC 2012数据集上进行了透彻评估，其中单个DPN模型产生了新的最先进分割精度。
引用
@article{arxiv.1509.02634,
title = {Semantic Image Segmentation via Deep Parsing Network},
author = {Ziwei Liu and Xiaoxiao Li and Ping Luo and Chen Change Loy and Xiaoou Tang},
journal= {arXiv preprint arXiv:1509.02634},
year = {2015}
}
备注
To appear in International Conference on Computer Vision (ICCV) 2015