基于深度卷积网络与全连接 CRF 的语义图像分割
计算机视觉与模式识别
2016-06-08 v4 机器学习
神经与进化计算
摘要
深度卷积神经网络 (DCNNs) 最近在图像分类和目标检测等高层视觉任务中展现出最先进的性能。本工作将 DCNNs 和概率图模型的方法相结合，用于解决像素级分类（即"语义图像分割"）任务。我们表明，DCNNs 最后一层的响应不足以实现精确的对象定位，这是由于使 DCNNs 擅长高层任务的不变性特性所致。我们通过将 DCNNs 最后一层的响应与全连接条件随机场 (CRF) 相结合，克服了深度网络的这一差定位特性。定性上，我们的"DeepLab"系统能够以前所未有的精度定位分割边界。定量上，我们的方法在 PASCAL VOC-2012 语义图像分割任务上取得了新的最先进结果，在测试集上达到 71.6% 的 IOU 准确率。我们展示了如何高效地获得这些结果：通过精心地重新利用网络以及小波领域"hole"算法的新应用，可以在现代 GPU 上以每秒 8 帧的速度进行密集神经网络响应计算。
引用
@article{arxiv.1412.7062,
title = {Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs},
author = {Liang-Chieh Chen and George Papandreou and Iasonas Kokkinos and Kevin Murphy and Alan L. Yuille},
journal= {arXiv preprint arXiv:1412.7062},
year = {2016}
}
备注
14 pages. Updated related work