基于超像素且由统计过程控制训练的语义分割
计算机视觉与模式识别
2017-08-08 v2
摘要
语义分割，如同计算机视觉的其他领域，因深度卷积神经网络的使用而见证了性能的显著提升。然而，考虑到相邻像素彼此高度依赖，这些方法的学习与测试存在大量冗余操作。为解决此问题，所提出的网络通过基于超像素的采样仅使用总像素的 0.37% 进行训练与测试，并大幅降低了上采样计算的复杂度。超列特征图由金字塔模块结合基础网络的卷积层构建。由于所提方法使用极少量采样像素，用所有层公共的学习率难以进行整个网络的端到端学习。为解决此问题，采样后的学习率由每一层梯度的统计过程控制（SPC）控制。所提方法在 Pascal Context、SUN-RGBD 数据集上性能优于或等同于使用多得多的样本的传统方法。
引用
@article{arxiv.1706.10071,
title = {Superpixel-based Semantic Segmentation Trained by Statistical Process Control},
author = {Hyojin Park and Jisoo Jeong and Youngjoon Yoo and Nojun Kwak},
journal= {arXiv preprint arXiv:1706.10071},
year = {2017}
}
备注
Accepted in British Machine Vision Conference (BMVC), 2017