论文地址： http://arxiv.org/pdf/1812.01593v3.pdf
代码： 公众号回复：07110035959
来源： 加州大学默塞德分校
论文名称：Improving Semantic Segmentation via Video Propagation and Label Relaxation
原文作者：Yi Zhu
内容提要
语义分割需要大量像素级的注释来学习准确的模型。在本文中，我们提出了一种基于视频预测的方法，通过合成新的训练样本来扩大训练集，以提高语义分割网络的准确性。我们利用视频预测模型预测未来帧的能力来预测未来的标签。同时提出了一种联合传播策略来缓解合成样本的不对准问题。我们证明，在合成样本增强的数据集上训练分割模型可以显著提高精度。此外，我们引入了一种新的边界标签松弛技术，使训练对标注噪声和沿目标边界传播伪影具有鲁棒性。我们提出的方法在城市景观上达到了最先进的mIoUs 83.5%，在CamVid上达到82.9%。我们的单一模型，没有模型集成，在KITTI语义分割测试集上实现72.8%的mIoU，超过了2018年ROB挑战赛的获奖作品。
主要框架及实验结果
声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。
