Key points are not available for this paper at this time.
Der jüngste Fortschritt in der semantischen Segmentierung wurde durch die Verbesserung der räumlichen Auflösung unter vollständig konvolutionalen Netzwerken (FCNs) vorangetrieben. Um dieses Problem anzugehen, schlagen wir ein gestapeltes dekonomvolutions Netzwerk (SDN) für die semantische Segmentierung vor. Im SDN werden mehrere flache Dekonvolutionale Netzwerke, die als SDN-Einheiten bezeichnet werden, nacheinander gestapelt, um kontextuelle Informationen zu integrieren und die feine Wiederherstellung von Lokalisierungsinformationen zu ermöglichen. Unterdessen werden Inter-Einheits- und Intra-Einheits-Verbindungen entworfen, um das Netzwerktraining zu unterstützen und die Merkmalsfusion zu verbessern, da die Verbindungen den Fluss von Informationen und die Gradientenausbreitung im gesamten Netzwerk verbessern. Außerdem wird während des Hochskalierungsprozesses jeder SDN-Einheit eine hierarchische Überwachung angewendet, die die Unterscheidungsfähigkeit der Merkmalsdarstellungen verbessert und die Netzwerkoptimierung begünstigt. Wir führen umfassende Experimente durch und erzielen neueste Spitzenresultate auf vier Datensätzen, darunter PASCAL VOC 2012, CamVid, GATECH, COCO Stuff. Insbesondere erreicht unser bestes Modell ohne CRF-Nachbearbeitung einen Intersection-over-Union-Wert von 86,6% im Testset.
Fu et al. (Freitag) untersuchten diese Frage.