意味分割のための識別的特徴ネットワークの学習

既存のセマンティックセグメンテーション手法の多くは、クラス内の一貫性欠如とクラス間の区別困難という2つの課題に依然として直面しています。これらの問題を解決するために、我々は判別特徴量ネットワーク（Discriminative Feature Network, DFN）を提案します。このネットワークには2つのサブネットワークが含まれています：スムーズネットワークとボーダーネットワーク。具体的には、クラス内の一貫性欠如問題に対処するため、チャンネルアテンションブロックとグローバル平均プーリングを使用してより判別力のある特徴量を選択するスムーズネットワークを特別に設計しました。さらに、深層セマンティック境界監督により境界の両側の特徴量を区別可能にするボーダーネットワークを提案します。我々が提案したDFNに基づいて、PASCAL VOC 2012データセットでは86.2%の平均IOU、Cityscapesデータセットでは80.3%の平均IOUという最先端の性能を達成しました。