2 个月前

RefineNet:高分辨率语义分割的多路径 refinement 网络

Lin, Guosheng ; Milan, Anton ; Shen, Chunhua ; Reid, Ian
RefineNet:高分辨率语义分割的多路径 refinement 网络
摘要

近期,非常深的卷积神经网络(CNNs)在物体识别方面表现出色,并且已成为密集分类问题(如语义分割)的首选方法。然而,深度CNN中的重复下采样操作(如池化或卷积步幅)会导致初始图像分辨率显著下降。本文介绍了一种通用的多路径精炼网络——RefineNet,该网络通过利用下采样过程中所有可用的信息,结合长距离残差连接,实现高分辨率预测。通过这种方式,捕捉高层次语义特征的深层可以利用早期卷积中的细粒度特征进行直接精炼。RefineNet的各个组件采用了遵循恒等映射思想的残差连接,这使得端到端训练更加有效。此外,我们引入了链式残差池化(Chained Residual Pooling),以高效的方式捕获丰富的背景上下文。我们进行了全面的实验,并在七个公开数据集上取得了新的最先进结果。特别是在具有挑战性的PASCAL VOC 2012数据集上,我们达到了83.4的交并比分数,这是迄今为止报告的最佳结果。