超像素采样网络
计算机视觉与模式识别
2018-07-27 v1
摘要
超像素提供了图像数据的高效低/中层表示，极大减少了后续视觉任务所需的图像基元数量。现有的超像素算法不可微分，难以集成到原本端到端可训练的深层神经网络中。我们开发了一种新的可微分超像素采样模型，利用深度网络学习超像素分割。由此产生的“超像素采样网络”(SSN) 是端到端可训练的，允许使用灵活的损失函数学习特定任务的超像素，并且具有较快的运行时间。大量实验分析表明，SSN 不仅在传统分割基准上优于现有超像素算法，还能为其他任务学习超像素。此外，SSN 可轻松集成到下游深度网络中，从而提升性能。
引用
@article{arxiv.1807.10174,
title = {Superpixel Sampling Networks},
author = {Varun Jampani and Deqing Sun and Ming-Yu Liu and Ming-Hsuan Yang and Jan Kautz},
journal= {arXiv preprint arXiv:1807.10174},
year = {2018}
}
备注
ECCV2018. Project URL: https://varunjampani.github.io/ssn/