基于区域与深度残差网络的图像语义分割

图共 6个表共 4个

图 1 本文所提模型框架

Figure 1.
图 2 带扩张卷积的卷积神经网络结构

Figure 2.
图 3 全局平均池化层结构示意图

Figure 3.
图 4 模型融合框架示意图

Figure 4.
图 5 SIFT FLOW数据集上图像分割效果

Figure 5.
图 6 PASCAL Context数据集上图像分割效果

Figure 6.
方法平均准确率(MA) 像素准确率(PA)

Yang^[21] 48.70 79.80
Long^[7] 51.70 85.20
Eigen^[22] 55.70 86.80
Caesar^[15] 64.00 84.30
本文算法 66.20 85.70

表 1 本文算法与其他先进方法在SIFT FLOW数据集上的实验对比(%)
方法平均准确率(MA) 像素准确率(PA) 平均交并比(MIoU)

O2P^[3] – – 18.10
Dai^[23] – – 34.40
Long^[7] 46.50 65.90 35.10
Caesar^[15] 49.90 62.40 32.50
本文 52.20 66.30 34.70

表 2 本文算法与其他先进方法在PASCAL Context数据集上的实验对比(%)

实验	操作		最后卷积层输出大小	SIFT FLOW MA(%)
1	无操作		19×19	64.50
2	仅移除stride操作	仅Res4 (stride=1)	38×38	26.61
3		仅Res5 (stride=1)	38×38	37.47
4		Res4 (stride=1)+Res5 (stride=1)	75×75	39.76
5	+设置dilated	仅Res4(dilated=2)	38×38	64.20
6		仅Res5(dilated=4)	38×38	63.60
7		Res4(dilated=2)+Res5(dilated=4)	75×75	65.50

表 3 3种不同扩张卷积核使用方案的性能比较

模型序号候选区域尺寸 SIFT FLOW MA(%)

1 7×7 64.20
2 9×9 64.80
3 13×13 65.30
4 15×15 65.20
融合模型3 4 – 65.70
融合模型3 4 – 66.00
融合模型1 2 3 4 – 66.20

表 4 4个单模型以及融合模型在SIFT FLOW上的效果比较