Abstract
SegNet网络具有以下几个优点:仅在训练好的模型上进行前向计算便可得到平滑的像素级预测;网络层数的加深有助于利用更大的context来进行预测;可以方便的查看任意层特征激活的影响。
1.Introduction
SegNet由encoder,decoder和softmax分类层组成。因为最深的特征提取层一般因为降采样都具有较小的分辨率,ad hoc 方法通过用一个block复制特征来上采样特征层到input dimension(例如,所有8*8 pixel的block都有相同的特征)。
SegNet的每一层都具有固定数量的featrue map,当层数加深的时候,可以减少计算量。
2. Literature Review
使用各种形式的CRF后处理只会增加sky,road,building等主导结构的准确率,对同样重要但是thin structured 比如,signs,poles,pedestrians具有较小的影响。