基于区域与深度残差网络的图像语义分割
该文提出了一种结合区域和深度残差网络的语义分割模型.基于区域的语义分割方法使用多尺度提取相互重叠的区域,可识别多种尺度的目标并得到精细的物体分割边界.基于全卷积网络的方法使用卷积神经网络(CNN)自主学习特征,可以针对逐像素分类任务进行端到端训练,但是这种方法通常会产生粗糙的分割边界.该文将两种方法的优点结合起来:首先使用区域生成网络在图像中生成候选区域,然后将图像通过带扩张卷积的深度残差网络进行特征提取得到特征图,结合候选区域以及特征图得到区域的特征,并将其映射到区域中每个像素上;最后使用全局平均池化层进行逐像素分类.该文还使用了多模型融合的方法,在相同的网络模型中设置不同的输入进行训练得到多个模型,然后在分类层进行特征融合,得到最终的分割结果.在SIFT FLOW和PASCAL Context数据集上的实验结果表明该文方法具有较高的平均准确率.
语义分割、区域、深度残差网络、集成
41
TP391.41(计算技术、计算机技术)
国家自然科学基金61862031, 61462035;江西省自然科学基金20171BAB202014
2019-12-13(万方平台首次上网日期,不代表论文的发表时间)
共10页
2777-2786