《PSPNet：Pyramid Scene Parsing Network》论文笔记

最新推荐文章于 2021-11-07 15:50:10 发布

m_buddy

最新推荐文章于 2021-11-07 15:50:10 发布

阅读量1.7k

点赞数 1

分类专栏：图像&视频分割文章标签： PSPNet

本文链接：https://blog.csdn.net/m_buddy/article/details/92401658

版权

PSPNet是基于FCN的语义分割网络，通过金字塔池化模块利用全局信息，解决场景理解中的匹配关系、类别混淆和不明显类别问题。在VOC和CityScapes数据集上表现出色，提出的方法包括深监督损失和不同池化策略的比较。

摘要由CSDN通过智能技术生成

代码地址：PSPNet

1. 概述

导读：这篇文章使用不同的金字塔池化模块从利用特征全局分类的角度在FCN网络的基础上提出了金字塔分割网络（Pyramid Scene Parsing Network， PSPNet），该网络能够使用全局与局部的信息用于产生最后较高质量的分割。此外，文章还提出了deeply supervised loss来更好优化分割网络（主干网络上的辅助损失函数）。文章提出的PSPNet在VOC-2012数据集上达到85.4，CityScapes数据集上达到80.2。

文章的主要贡献：

1）提出了PSPNet，它将困难的场景上下特征嵌入到基于FCN网络中；
2）对于ResNet基于deeply supervised loss提出了有效优化策略；
3）构建了一个state-of-art的语义分割系统；

下面是使用文章提出的方法进行分割得到的分割示例：
在这里插入图片描述
现有分割网络存在的一些问题，如下图所示：

1. Mismatched Relationship
对于一个物体其存在的位置是有其规律的，比如图2第一行中所示的，一辆车是很少会出现在河面上的，这是由于缺少上下文的信息导致错误分类概率增加导致的；
2. Confusion Categories
对于一些具有相似属性的目标会在分割网络结果中存在混淆的现象，如图2中第二行所示。这个问题可以使用类间的关系进行解决；
3. Inconspicuous Classes
对于一些较小的目标在分割任务中难以找到&