利用CNN与判别训练域变换进行任务特定边缘检测的语义图像分割
计算机视觉与模式识别
2016-06-03 v2
摘要
深度卷积神经网络（CNNs）是最先进语义图像分割系统的骨干。近期工作表明，用全连接条件随机场（CRFs）补充CNNs能显著提升其目标定位精度，然而稠密CRF推理计算代价高昂。我们提出以域变换（DT）替代全连接CRF，DT是一种现代边缘保持滤波方法，其平滑量由参考边缘图控制。域变换滤波比稠密CRF推理快数倍，且我们展示其产生可比的语义分割结果，准确捕获物体边界。重要的是，我们的公式允许从中级CNN特征学习参考边缘图，而非如标准DT滤波中使用图像梯度幅值。这在一个端到端可训练系统中产生了任务特定边缘，优化目标语义分割质量。
引用
@article{arxiv.1511.03328,
title = {Semantic Image Segmentation with Task-Specific Edge Detection Using CNNs and a Discriminatively Trained Domain Transform},
author = {Liang-Chieh Chen and Jonathan T. Barron and George Papandreou and Kevin Murphy and Alan L. Yuille},
journal= {arXiv preprint arXiv:1511.03328},
year = {2016}
}
备注
14 pages. Accepted to appear at CVPR 2016