when
- CVPR 2018
what
- 在大量的计算机视觉应用中,语义分割是一项不可或缺的底层技术。
- 旷视科技Face++近期发表的一篇 CVPR 2018 收录论文《Learning a Discriminative Feature Network for Semantic Segmentation 》提出判别特征网络 DFN,有效解决了语义分割的两个基本问题,显著提高了其精度,可以帮助机器之眼更好地理解复杂的图像和场景,解析静态或动态人体及其他物体,有助于从根本上推动自动驾驶、手机影像、医疗影像、无人零售、物流安防等 AI 驱动型产业的普及与发展。
who (动机)
出发点
- 本文提出的判别特征网络(Discriminative Feature Network/DFN)包含两个子网络 Smooth Network 和 Border Network,它有效解决了绝大多数现有语义分割方法面临的**类内不一致(intra-class inconsistency)与类间无差别(inter-class indistinction)**问题。
- 具体而言,为应对类内不一致问题,作者专门设计带有通道注意力模块(Channel Attention Block/CAB)和全局平均池化的 Smooth Network 以选择更具判别力的特征;而 Border Network 则借助多层语义边界监督区分边界两边的特征。
- 伴随着以全卷积网络(Fully Convolutional Network/FCN)为代表的卷积神经网络的新近发展,很多工作成效显著。但是,上述网络学习的特征经常存在判别性不强,难以区分的问题