论文全称:《SEMANTIC IMAGE SEGMENTATION WITH DEEP CONVOLUTIONAL NETS AND FULLY CONNECTED CRFS》
论文地址:https://arxiv.org/pdf/1412.7062.pdf
得益于图像空间转换的不变性,DCNNs在高层的计算机视觉任务表现良好,但是在低层的任务,例如人体姿态估计和语义分割达不到要求。
DCNNs在图像标记任务中的应用存在两个技术障碍:图像信号下采样和空间“不敏感”(不变性)。
为了解决上述两个问题,前者论文使用了空洞卷积的方法(2014年提出),后者论文使用了全连通条件随机场fully-connected Conditional Random Field (CRF)。
条件随机字场在语义分割中得到了广泛的应用,它可以将多路分类器计算出的类得分与通过像素和边缘局部交互捕获的低级信息结合起来。论文里使用的方法是 fully connected pairwise CRF,2011年由Krahenb ¨ uhl & Koltun提出。
“DeepLab”系统的三个主要优点是:
(i)速度(ii)准确性(iii)简单性
模型简述: