半监督层次语义物体解析
人工智能
2017-10-31 v3 计算机视觉与模式识别
摘要
基于卷积神经网络 (CNN) 的模型已被证明在语义分割和物体解析方面非常成功，能够产生特征层次。我们的核心洞察是构建卷积网络，使其能够接受任意大小的输入，并产生具有高效推理和学习的物体解析输出。在这项工作中，我们专注于实例分割和解析的任务，该任务基于深度 CNN 将物体的识别和定位精确到像素级别。因此，与一些相关工作不同，一个像素不能属于多个实例和解析。我们的模型基于一个为物体掩蔽而训练的深度神经网络，该网络以输入图像作为监督，并随后结合了一个条件随机场 (CRF)，该 CRF 具有基于物体解析输出的端到端可训练的分段顺序势。在每个 CRF 单元中，我们设计了项来捕获来自各种相邻区域的短程和长程依赖关系。我们的网络产生的准确实例级分割反映在相较于先前工作在高 APr 阈值上取得的显著改进。我们在 PASCAL VOC2012 的具有挑战性的数据集子集上进行了大量实验，证明了我们模型的有效性。
引用
@article{arxiv.1709.08019,
title = {Semi-Supervised Hierarchical Semantic Object Parsing},
author = {Jalal Mirakhorli and Hamidreza Amindavar},
journal= {arXiv preprint arXiv:1709.08019},
year = {2017}
}