کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6864478 1439543 2018 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Contour-aware network for semantic segmentation via adaptive depth
ترجمه فارسی عنوان
شبکه کانون آگاه برای تقسیم معنایی از طریق عمق انطباق
کلمات کلیدی
ترجمه چکیده
تقسیم بندی معنایی به خاطر نقش مهم آن در بینایی کامپیوتر مورد بررسی قرار گرفته است. با این حال، برخی چالش ها هنوز هم وجود دارد. چالش اول چگونگی ادراک مناطق معنایی با صفات مختلف است که می تواند توزیع نامتعادل نمونه های آموزشی را به همراه داشته باشد. یکی دیگر از چالش ها تعیین دقیق مرز معنایی است. در این مقاله، یک شبکه کانونی آگاه برای تقسیم بندی معنایی از طریق عمق انطباق پیشنهاد شده است که به ویژه از قدرت شبکه شبکه عصبی مصنوعی و شبکه عصبی کانتور در سطح تقسیم بندی معنایی سطح پیکسل بهره می برد. به طور خاص، یک مدل عمق انطباق، که می تواند انعطاف پذیری بازخورد و روش پیش روی شبکه های عصبی را تعیین کند، ساخته شده است. علاوه بر این، یک شبکه عصبی محور به منظور ایجاد هماهنگی و دقت محلی سازی مناطق منطقهای ساخته شده است. با تدوین اطلاعات کنتور و تقسیم بندی معنایی درشت به نتایج یکپارچه، نتیجه گیری جهانی برای به دست آوردن نتایج تقسیم بندی نهایی پیشنهاد شده است. سه مورد ادعا شده است: (1) تقسیم معنایی از طریق شبکه عصبی عمق سازگار؛ (2) شبکه عصبی کانتور آشکار برای تقسیم معنایی؛ و (3) استنتاج جهانی برای تصمیم نهایی. آزمایشات بر روی سه مجموعه داده های محبوب انجام شده است و نتایج تجربی برتری روش پیشنهادی را در مقایسه با روش های پیشرفته تایید کرده اند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
شبکه کانون آگاه برای تقسیم معنایی از طریق عمق انطباق
چکیده انگلیسی
Semantic segmentation has been widely investigated for its important role in computer vision. However, some challenges still exist. The first challenge is how to perceive semantic regions with various attributes, which can result in unbalanced distribution of training samples. Another challenge is accurate semantic boundary determination. In this paper, a contour-aware network for semantic segmentation via adaptive depth is proposed which particularly exploits the power of adaptive-depth neural network and contour-aware neural network on pixel-level semantic segmentation. Specifically, an adaptive-depth model, which can adaptively determine the feedback and forward procedure of neural network, is constructed. Moreover, a contour-aware neural network is respectively built to enhance the coherence and the localization accuracy of semantic regions. By formulating the contour information and coarse semantic segmentation results in a unified manner, global inference is proposed to obtain the final segmentation results. Three contributions are claimed: (1) semantic segmentation via adaptive depth neural network; (2) contour-aware neural network for semantic segmentation; and (3) global inference for final decision. Experiments on three popular datasets are conducted and experimental results have verified the superiority of the proposed method compared with the state-of-the-art methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 284, 5 April 2018, Pages 27-35
نویسندگان
, , ,