"CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinem"论文解读
介绍
目前图像分割算法主要是在固定分辨率范围内对图像进行训练,对于高分辨率的图像是很不准确的,无法捕获高分辨率图像的边界细节。造成大部分分割算法不适用于高分辨图像的主要原因是:
1、主流的数据集(如PASCAL或COCO数据集)分辨率就不高,如果要建立高分辨率的数据集,工作量很庞大,需要对每个像素进行标注。
2、直接训练高分辨率图像对于GPU的内存要求很高。
因此本文提出了一种通用的分割细化模型,可以将任意给定的分割从低分辨率细化到高分辨率。可以附加到现有的分割算法中,用来生成更加精细化的分割掩码。模型的输入就是某个分割算法得到初始掩码和原图,输出为精细化后的分割掩码。
模型
整个网络结构是由多级Refinement module (RM)结构级联而成的,包含全局和局部两步的修正。