Learning and Incorporating Shape Models for Semantic Segmentation文章理解

   FCN方法不一定包含局部几何信息，如平滑度和形状等，而传统的图像分析技术他们在解决细分和跟踪方面具有很大的优势。在这项工作中，我们通过将形状信息加入FCN分割框架从而解决FCN的缺点。同时在实验阶段，验证了这种形状信息对于处理对比度和artifacts的细节损失具有很好的效果。

1 引言

  由于FCN对于局部几何如平滑度和拓扑结构不能可靠地捕获。在传统方法的驱动下，我们建议用先验形状信息来加强FCN框架。在形状模型解耦后，数据扩充策略是相对容易了，数据扩充之后，训练数据中增加各种形状类别，同时模型便于捕获这种形状多变特征。

总之，本文的主要贡献如下：

（1）学习非线性形状模型和任意掩模的投影形状manifold空间。我们还讨论了两个新的数据增加策略来实现形状卷积自动编码器。

（2）将形状模型明确地并入FCN新的损失函数中，依靠已学习的形状模型来惩罚预测分割的deviation。

（3）提出的方法dice overlap增加了5%，而随之带来的复杂度可忽略不计。

2 相关工作