论文地址:Learning a Discriminative Feature Network for Semantic Segmentation
Abstract
现有的大多数语义分割方法仍然面临着两个方面的挑战:类内不一致和类间模糊(intra-class inconsistency and inter-class indistinction) 。为了解决这两个问题,我们提出了一个判别特征网络(DFN),它包含两个子网络:平滑网络和边界网络(Smooth Network and Border Network)。
Introduction
如图所示,第一行类内不一致问题,第二行类间模糊问题。第一列,原始图像。第二列是基于FCN的模型的输出。第三列是我们提出的方法的输出。在第一排,牛的左下角被认作马。这就是类内不一致问题。在第二排,电脑机箱有着与电脑屏幕相似的蓝光和黑色外壳,很难区分。这就是类间模糊问题。
为了解决这两个问题,我们从更宏观的角度重新思考语义分割问题。这样,我们把语义切分看作将一致的语义标签分配给一类事物而不是每个像素的任务。从宏观的角度来看,将每一类像素作为一个整体,内在地考虑了类内一致性和类间变化。为此,我们提出了一种新的区分特征网络(DFN)来学习同时考虑“类内一致性”和“类间差异性”的特征表示。</