语义分割--Not All Pixels Are Equal：Difficulty-Aware Semantic Segmentation via Deep Layer Cascade

Not All Pixels Are Equal: Difficulty-Aware Semantic Segmentation via Deep Layer Cascade

CVPR2017

本文针对语义分割问题，引入Cascade思想，将图像像素根据分割难易度分为三个等级：Easy、Moderate、Hard ，分别用CNN网络的浅层、中层、高层完成分割。降低运算量同时提高分割精度

上图显示实际图像中的像素分割难易度是不一样的。Easy 和 Moderate 等级的占绝大多数，hard 占少数

本文的 contributions：
1）本文算法是第一个使用深度模型来区分对待分割像素难易度的算法，本文提出的 Deep Layer Cascade (LC) 降低运算量提高分割精度
2） LC 可以很容易嵌入到其他深度模型中，对 Inception-ResNet-v2 (IRNet) 应用 LC后，速度提高42.8% ，精度提高1.7%
3） LC 和其他一些网络结构的联系被明确指出。大量实验验证了LC的有效性

本文以 Inception-ResNet-v2 为例，将 LC 嵌入到此模型中。

上图（a）是 Inception-ResNet-v2 （ IRNet）网络模块示意图，（b）是 IRNet after LC，其中 L1 对应简单难度像素分割结果，L2对应中等难度像素分割结果，L3 对应高等难度像素分割结果

L2 只对 L1 不是很确定的像素进行分割， L3 只对 L2 不是很确定的像素进行分割。这样可以明显降低运算量。具体是通过Region Convolution 来实现的。

M can be implemented as a binary mask, where the pixels inside M equal one, otherwise zero
M 是一个二值掩模图像。

最终的分割结果是将 L1, L2，L3 的结果综合起来。

VOC12 test set 和 Cityscapes test set 结果对比

语义分割--Not All Pixels Are Equal：Difficulty-Aware Semantic Segmentation via Deep Layer Cascade相关推荐

CVPR2022自适应/语义分割：Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation
CVPR2022自适应/语义分割:Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation用 ...
【语义分割】ICCV21_Mining Contextual Information Beyond Image for Semantic Segmentation
文章目录一.背景二.动机三.方法 3.1 整体结构 3.2 特征存储模块 Feature Memory Module 3.3 数据集层面的上下文聚合 Dataset-level Context ...
语义分割--(DFN)Learning a Discriminative Feature Network for Semantic Segmentation
Learning a Discriminative Feature Network for Semantic Segmentation Learning a Discriminative Featur ...
语义分割--(DeepLabv3+)Encoder-Decoder with Atrous Separable Convolution for Semantic
语义分割--(DeepLabv3+)Encoder-Decoder with Atrous Separable Convolution for Semantic .. https://blog.csd ...
【语义分割】ASPP：Rethinking Atrous Convolution for Semantic Image Segmentation
文章目录一.主要思想二.实现三.代码一.主要思想为了提高对不同尺度目标的语义分割,作者串联或并联使用不同扩张率的空洞卷积来实现对多尺度上下文的语义信息捕捉. Atrous Spatial P ...
ICCV2019语义分割/UDA:ACE: Adapting to Changing Environments for Semantic SegmentationACE：适应变化环境下的语义分割
ACE: Adapting to Changing Environments for Semantic Segmentation ACE:适应变化环境下的语义分割 0.摘要 1.概述 2.相关工作 2 ...
图像目标分割_2 FCN（Fully Convolutional Networks for Semantic Segmentation）
6.2.1 FCN 背景介绍图像语义分割:给定一张图片,对图片上每一个像素点进行分类!但是与图像分类目的不同,语义分割模型要具有像素级的密集预测能力才可以. 6.2.2 FCN介绍 6.2.2.1 ...
实时语义分割--ICNet for Real-Time Semantic Segmentation on High-Resolution Images
ICNet for Real-Time Semantic Segmentation on High-Resolution Images https://hszhao.github.io/project ...
语义分割深度学习方法集锦
转载:https://github.com/handong1587/handong1587.github.io/edit/master/_posts/deep_learning/2015-10-09- ...

语义分割--Not All Pixels Are Equal：Difficulty-Aware Semantic Segmentation via Deep Layer Cascade

语义分割--Not All Pixels Are Equal：Difficulty-Aware Semantic Segmentation via Deep Layer Cascade相关推荐

最新文章

热门文章