...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Multimedia Tools and Applications >Semantic image segmentation using fully convolutional neural networks with multi-scale images and multi-scale dilated convolutions
【24h】

Semantic image segmentation using fully convolutional neural networks with multi-scale images and multi-scale dilated convolutions

机译：使用具有多尺度图像和多尺度扩张卷积的全卷积神经网络进行语义图像分割

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this work, we investigate the effects of the cascade architecture of dilated convolutions and the deep network architecture of multi-resolution input images on the accuracy of semantic segmentation. We show that a cascade of dilated convolutions is not only able to efficiently capture larger context without increasing computational costs, but can also improve the localization performance. In addition, the deep network architecture for multi-resolution input images increases the accuracy of semantic segmentation by aggregating multi-scale contextual information. Furthermore, our fully convolutional neural network is coupled with a model of fully connected conditional random fields to further remove isolated false positives and improve the prediction along object boundaries. We present several experiments on two challenging image segmentation datasets, showing substantial improvements over strong baselines.
机译：在这项工作中，我们研究了膨胀卷积的级联体系结构和多分辨率输入图像的深层网络体系结构对语义分割精度的影响。我们表明，级联的卷积级联卷积不仅能够在不增加计算成本的情况下有效地捕获较大的上下文，而且还可以提高定位性能。另外，用于多分辨率输入图像的深度网络体系结构通过聚合多尺度上下文信息，提高了语义分割的准确性。此外，我们的完全卷积神经网络与完全连接的条件随机场模型耦合在一起，可以进一步去除孤立的误报并改善沿对象边界的预测。我们在两个具有挑战性的图像分割数据集上进行了一些实验，这些实验显示了在强大基线之上的实质性改进。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号