图像分割 DeepLab v2

标题:DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
网站: http://liangchiehchen.com/projects/DeepLab.html.

深度卷积网络用于语义分割的三个挑战:

  1. 特征分辨率下降
    主要由于重复池化和下采样造成,作者移除了最后几个最大池化层下采样操作,并对滤波器进行上采样,在非零的滤波器值之间加入空洞,称为atrous卷积。
    atrous卷积示意图为:
    这里写图片描述
  2. 多尺度目标
    一般将不同尺度的图像输入DCNN,但计算量增加。作者根据SPP的思想,在给定特征层使用不同的采样率进行重采样,使用具有不同采样率的平行atrous卷积层实现,称为atrous SPP(ASPP)。atrous SPP方法示意图如下图所示:
    这里写图片描述
  3. DCNN的不变性,导致定位准确率下降
    基于对象的分类器要求对形变不变,影响了分割准确性,hpyer-column有被用来消除这个问题。作者使用全连接的条件随机场(CRF)获取细节信息。CRF被广泛用于语义分割,通过组合多路低层次分类器的信息,如边缘,superpixels等。CRF用于增强边缘信息示意图:
    这里写图片描述

DeepLab模型的结构如下图所示:
这里写图片描述

对VGG-16,ResNet-101进行一些改动用于语义分割:
1. 所有的全连接层变为卷积层
2. 使用atrous卷积层提高特征分辨率,这样可以每8个像素计算一个特征响应,之后双向性插值上采样8倍到原始图像分辨率,输入到CRF精修分割结果。

实验结果
使用不同的技巧对结果的增强
这里写图片描述

与其他方法在VOC2012上的比较
这里写图片描述

PASCAL-Person-Part
人体六个部位Head, Torso,Upper/Lower Arms and Upper/Lower Legs分割
这里写图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值