联合增强主干与结构的高精度二值图像分割：合一-分解-合一网络
计算机视觉与模式识别
2023-07-27 v1
摘要
高精度二值图像分割（DIS）旨在从自然场景中精确定位类别无关的前景物体。DIS的主要挑战在于识别高度准确的主导区域同时刻画精细的物体结构。然而，直接使用通用的编码器-解码器架构可能导致高层特征过剩，并忽略划分精细结构所需的浅层空间信息。为弥补这一不足，我们提出一种新颖的合一-分解-合一网络（UDUN），其重构并二分排列互补特征，以同时提升主干与结构识别的效果。所提出的UDUN具有若干优势。首先，双尺寸输入送入共享主干网络，在保持模型轻量的同时产生更整体与细致的特征。其次，提出一种简单的分治模块（DCM），将多尺度低层与高层特征解耦至我们的结构解码器与主干解码器，分别获取结构与主干信息。此外，我们在联合解码器中设计了主干-结构聚合模块（TSA），通过级联整合实现均匀的高精度分割。结果表明，在整体DIS-TE的所有六项评测指标上，UDUN均优于当前最优的对比方法，即取得了0.772的加权F测度与977的HCE。使用1024*1024输入，我们的模型基于ResNet-18可实现65.3 fps的实时推理。
引用
@article{arxiv.2307.14052,
title = {Unite-Divide-Unite: Joint Boosting Trunk and Structure for High-accuracy Dichotomous Image Segmentation},
author = {Jialun Pei and Zhangjun Zhou and Yueming Jin and He Tang and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2307.14052},
year = {2023}
}
备注
This paper has been accepted by ACM MM2023