[SGN]SGN: Sequential Grouping Networks for Instance Segmentation
发布时间
阅读量：
阅读量
Abstract
香港中文大学ICCV 2017的文章
鉴于实例分割问题的复杂性与挑战性，在本文中我们提出了一种基于序列神经网络的解决方案
具体而言，在第一阶段中我们设计了一个神经元分布模式较为均匀的网络架构
第二阶段则采用了一种改进型循环卷积算法
第三阶段则对各特征层间的特征图进行深度学习融合处理
第四阶段通过自适应损失函数优化模型参数
第五阶段利用多尺度特征提取技术提升了模型鲁棒性
第六阶段则通过迁移学习方法实现了跨领域目标识别能力的提升
第七阶段采用多任务学习策略实现了信息的有效整合与共享
最后通过引入注意力机制进一步提高了模型性能指标
Framework
主要分为四步：
1. 预测断点
基于VGG16架构的基础上优化了大视场率模型（deepLab-largeFOV），对网络结构进行了优化设计。输入是一张待处理图片，在模型中经过特征提取后得到一张预测图谱，在预测图谱中每个像素点分配了4种类别标签：背景类、内部类、起始端点类和终止端点类，并分别在水平和垂直两个维度上进行分析以获取精确的空间信息。
这里直接使用扫描的方法，填充区域，形成所有的线
3. 将线连接成组件
这里采用了LineNet技术，在接收了9个通道的数据后，在各线所属的区域生成了清晰的画面
考虑到实例可能包含多种组件，在多个对生成的组件进行了融合的基础上，通过采用MergeNet技术处理后，输入通道数为10。
Result
在Cityscapes和Pascal VOC2012上进行实验，结果如下
在两个数据集上的实例分割任务中均达到了SOTA.
Other
采用一种创新性方法对图像分割问题进行研究和实现，并非仅限于单一的深度网络模型的应用；而是基于图像认知的整体过程将其划分为多个阶段进行建模和训练
全部评论 (0)
还没有任何评论哟~