基于改进生成对抗网络的图像语义分割
计算机视觉与模式识别
2021-04-21 v1
摘要
虽然大多数现有分割方法通常将 CNN 的强大特征提取能力与条件随机场(CRF)后处理相结合，但结果总是受限于 CRF 的缺陷。由于 CRF 计算速度 notoriously 慢且效率低，近年来 CRF 后处理已逐渐被淘汰。本文提出一种用于图像语义分割任务的改进生成对抗网络(GAN)(基于 GAN 的语义分割，Seg-GAN)，以促进进一步的分割研究。此外，我们引入卷积条件随机场(ConvCRF)作为图像语义分割任务的一种有效改进方案。为了使分割结果与真实分布区分开来并改善输出图像的细节，所提出的判别器网络以全卷积方式结合级联 ConvCRF 专门设计。此外，对抗损失积极地促使输出图像接近真实分布。我们的方法不仅学习从输入图像到相应输出图像的端到端映射，还学习用于训练该映射的损失函数。实验表明，我们的方法取得了比现有最优方法更好的性能。
引用
@article{arxiv.2104.09917,
title = {Semantic Segmentation by Improved Generative Adversarial Networks},
author = {ZengShun Zhaoa and Yulong Wang and Ke Liu and Haoran Yang and Qian Sun and Heng Qiao},
journal= {arXiv preprint arXiv:2104.09917},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:1802.07934 by other authors