Key points are not available for this paper at this time.
In dieser Arbeit befassen wir uns mit der Aufgabe der semantischen Bildsegmentierung mit Deep Learning und leisten drei wesentliche Beiträge, die experimentell nachgewiesen wurden und praktischen Nutzen haben. Erstens heben wir die Faltung mit hochskalierten Filtern, oder 'Atrous-Convolution', als ein leistungsstarkes Werkzeug bei dichten Prognoseaufgaben hervor. Atrous-Convolution ermöglicht es uns, die Auflösung, auf der Merkmalsantworten innerhalb tiefer Convolutional Neural Networks berechnet werden, explizit zu steuern. Es erlaubt uns auch, das Sichtfeld der Filter wirksam zu vergrößern, um einen größeren Kontext zu integrieren, ohne die Anzahl der Parameter oder die Menge der Berechnungen zu erhöhen. Zweitens schlagen wir atrous spatial pyramid pooling (ASPP) vor, um Objekte in mehreren Maßstäben robust zu segmentieren. ASPP beprobt eine eingehende Convolutional-Merkmalschicht mit Filtern bei mehreren Abtastfrequenzen und effektiven Sichtfeldern, wobei sowohl Objekte als auch Bildkontext in mehreren Maßstäben erfasst werden. Drittens verbessern wir die Lokalisierung von Objektgrenzen, indem wir Methoden aus DCNNs und probabilistischen grafischen Modellen kombinieren. Die gängige Kombination von Max-Pooling und Downsampling in DCNNs erreicht Invarianz, hat jedoch einen Preis für die Lokalisierungsgenauigkeit. Wir überwinden dies, indem wir die Antworten in der letzten DCNN-Schicht mit einem vollständig verbundenen bedingten Zufallsfeld (CRF) kombinieren, was qualitativ und quantitativ gezeigt wird, dass es die Lokalisierungsleistung verbessert. Unser vorgeschlagenes "DeepLab"-System setzt den neuen Stand der Technik bei der PASCAL VOC-2012-semantischen Bildsegmentierungsaufgabe, indem es 79,7 Prozent mIOU im Testdatensatz erreicht, und verbessert die Ergebnisse auf drei anderen Datensätzen: PASCAL-Context, PASCAL-Person-Part und Cityscapes. Unser gesamter Code ist öffentlich online verfügbar.
Chen et al. (Thu,) haben diese Frage untersucht.