堆叠 U-Net：一种用于自然图像分割的简洁方法
计算机视觉与模式识别
2018-04-30 v1 神经与进化计算
摘要
许多成像任务需要图像中所有像素的全局信息。传统的自底向上分类网络通过降低分辨率来实现信息全局化；特征被池化并下采样为单一输出。但对于语义分割和目标检测任务，网络必须提供更高分辨率的像素级输出。为了在保持分辨率的同时实现信息全局化，许多研究者提出引入复杂的辅助模块，但这代价是网络规模和计算成本的大幅增加。本文提出堆叠 U-Net（SUNets），其在保持分辨率的同时迭代地组合不同分辨率尺度的特征。SUNets 在更深的网络架构中利用了 U-Net 的信息全局化能力，能够处理自然图像的复杂性。SUNets 在使用少量参数的情况下在语义分割任务上表现极为出色。
引用
@article{arxiv.1804.10343,
title = {Stacked U-Nets: A No-Frills Approach to Natural Image Segmentation},
author = {Sohil Shah and Pallabi Ghosh and Larry S Davis and Tom Goldstein},
journal= {arXiv preprint arXiv:1804.10343},
year = {2018}
}
备注
The code is available at https://github.com/shahsohil/sunets