【RefineNet】RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation

RefineNet是CVPR 2017提出的一种用于高分辨率语义分割的网络结构,它通过多路径细化网络和长范围残差连接解决高层语义和低层细节信息的融合问题,实现state-of-the-art的表现。文章贡献包括提出Residual Convolution Unit和Chained Residual Pooling,以及在多个数据集上取得最优结果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Alt

CVPR 2017

概述


  • 要解决的问题
    • 实现high-resolution prediction
  • 采用的方法
    • 自己新设计的一些网络结构
    • long range residual connecntions
    • chained residual pooling
  • 结果如何
    • IOU score of 83.4 on PASCAL VOC 2012,state-of-the-art,比当时的最佳DeepLab高很多。
    • 在7个公共数据集上state-of-the-art,包括PASCAL VOC 2012, PASCAL-context, NYUDv2, SUN-RGBD, Cityscapes, ADE20K, the object parsing Person-Parts dataset。
  • Contributions
    • 提出一种多路径精细网络(RefineNet),用细粒度的低级特征递归地对低分辨率语义特征进行细化,以生成高分辨率语义特征图。
    • 利用残差的手法进行高效的端到端训练。
    • “Chained residual pooling”结构
    • 总的来说,论文就是针对如何更好的利用高层语义信息分类和低层信息来产生得到更多细节信息,来产生更高分辨率的预测。
  • Related work(一点点综述)
    • 早期的分割方法有基于区域建议的,如RCNN。
    • 后面提出了FCN型的网络,然后很多就用上了,而且这是一个对于Dens-prediction tasks(语义分割是其中的一种,还有诸如 depth estimation, image restoration, image super-resolution等任务)都比较适用的方法。
    • FCN低分辨率预测问题的一些解决:基于空洞卷积的DeepLab-CRF;CRF-RNN基于上面的方法,并实现recurrent layers for end-to-end learning of the dense CRF and FCNN;Deconvolution methods。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值