论文阅读:Fully Convolutional Instance-aware Semantic Segmentation
2017-08-07 18:14
465 查看
作者第一个提出了针对Instance-aware Semantic Segmentation的fully convolutional end-to-end solution 。
针对为什么FCN不能用来做detection,作者解答:
卷积具有平移不变性,同样的像素在不同的位置有相同的响应。但是instence semantic segmentation考虑region level,相同的像素在不同的区域应该会有不同的响应。
针对这个问题,作者通过InstanceFCN(图1(b),也是该作者自己提出的方法)可以较好解决。
另外,现有的Instance-aware Semantic Segmentation算法存在一些问题:
1.经过RoI pooling 操作会丢失图像的空间信息,降低准确率。
2.之后的fc layer参数过多容易过拟合。
3.RoI过多,都要经过fc layer,耗时长。
本文框架:
本文主要的实现方法就是基于InstanceFCN,区别就是在InstanceFCN中获得的是k∗k个一维的score map(每个值表示该像素是否属于某实例的某一位置的概率),本文将其扩展成k∗k∗(C+1)维的score map,相当于多考虑了每个Instance的类别。
另外,用RoI取代了sliding window,并且增加了inside\outside score,相当于在原有基础上多了一倍的score map。
最后,我们会针对每个RoI,得到2个(C+1)维的score map,分别是inside\outside。
for detection:使用max,即这个RoI里的所有像素属于c类物体的似然取均值。
for segmentation:计算Softmax即可得到属于前景或背景的概率。
针对为什么FCN不能用来做detection,作者解答:
卷积具有平移不变性,同样的像素在不同的位置有相同的响应。但是instence semantic segmentation考虑region level,相同的像素在不同的区域应该会有不同的响应。
针对这个问题,作者通过InstanceFCN(图1(b),也是该作者自己提出的方法)可以较好解决。
另外,现有的Instance-aware Semantic Segmentation算法存在一些问题:
1.经过RoI pooling 操作会丢失图像的空间信息,降低准确率。
2.之后的fc layer参数过多容易过拟合。
3.RoI过多,都要经过fc layer,耗时长。
本文框架:
本文主要的实现方法就是基于InstanceFCN,区别就是在InstanceFCN中获得的是k∗k个一维的score map(每个值表示该像素是否属于某实例的某一位置的概率),本文将其扩展成k∗k∗(C+1)维的score map,相当于多考虑了每个Instance的类别。
另外,用RoI取代了sliding window,并且增加了inside\outside score,相当于在原有基础上多了一倍的score map。
最后,我们会针对每个RoI,得到2个(C+1)维的score map,分别是inside\outside。
for detection:使用max,即这个RoI里的所有像素属于c类物体的似然取均值。
for segmentation:计算Softmax即可得到属于前景或背景的概率。
相关文章推荐
- 论文阅读理解 - Fully Convolutional Instance-aware Semantic Segmentation
- [置顶] 实例分割初探,Fully Convolutional Instance-aware Semantic Segmentation论文解读
- 论文阅读笔记:Fully Convolutional Networks for Semantic Segmentation
- 论文阅读:Instance-aware Semantic Segmentation via Multi-task Network Cascades
- Fully Convolutional Networks for Semantic Segmentation论文阅读
- 全卷积网络FCN论文阅读Fully Convolutional Networks for Semantic Segmentation
- [水博文]FCIS : Fully Convolutional Instance-aware Semantic Segmentation
- 论文阅读理解 - Semantic Image Segmentation With Deep Convolutional Nets and Fully Connected CRFs
- 对象分割--Fully Convolutional Instance-aware Semantic Segmentation
- 全卷积(FCN)论文阅读笔记:Fully Convolutional Networks for Semantic Segmentation
- Fully Convolutional Instance-aware Semantic Segmentation - arXiv 16.11
- FCIS+code | Fully Convolutional Instance-aware Semantic Segmentation
- 全卷积(FCN)论文阅读笔记:Fully Convolutional Networks for Semantic Segmentation
- 图像分割“Fully Convolutional Instance-aware Semantic Segmentation”
- [深度学习论文阅读]Fully Convolutional Networks for Semantic Segmentation(FCN网络)
- 论文阅读笔记:Fully Convolutional Networks for Semantic Segmentation
- 深度学习论文笔记(六)--- FCN-2015年(Fully Convolutional Networks for Semantic Segmentation)
- 【论文笔记】Fully Convolutional Networks for Semantic Segmentation
- 论文笔记之:Instance-aware Semantic Segmentation via Multi-task Network Cascades
- 论文笔记 FCN: Fully Convolutional Networks for Semantic Segmentation