干货！在语义分割任务中学习统计化纹理

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

# 今日视推荐 #

现有语义分割研究主要关注高层次语义特征的提取，（例如通过各类注意力模型提取全局的上下文信息），对低层次特征提取方式的研究工作相对较少。但低层次特征同样也在语义分割中发挥重要作用。论文提出了一个量化与计数模块（QCO）来以统计的方式在深度神经网络中对纹理进行表征。在QCO的基础上，论文进一步提出对纹理细节进行增强的纹理增强模块（TEM）和从多尺度提取统计纹理特征的金字塔纹理特征提取模块（PTFEM）。上述模块在增加较少计算量的前提下，能够有效地提高语义分割任务的效果。

本期AI TIME PhD CVPR直播间邀请到了北京航空航天大学硕士生祝澜耘，带来分享——《在语义分割任务中学习统计化纹理》。

嘉宾介绍

祝澜耘：

北京航空航天大学硕士在读，在商汤兼任见习研究员，目前研究领域主要集中在图像分割，自监督学习，半监督学习，元学习等。

个人主页：https://lanyunzhu.site/

背    景

一

语义分割简介

在深度学习领域，语义分割任务研究主要关注的就是特征（feature）。说到特征可以分为两个方面：如何提取有用的特征以及如何结合不同层次的特征。

01

如何提取有用的特征？

早期全卷积网络（FCN）第一次提出了如何去实现语义分割模型的基本框架，直接采用卷积然后PSPNet提出了一个金字塔的结构，从多感受野、不同的尺度去提取特征，随后DeepLab V3采用空洞卷积（Dilated Convolutions）的形式提取金字塔结构的特征，以及采用了比较热门的non-local attention机制的DANet。提出这些网络模型的论文都在研究如何在分割任务中提取有用的特征。

How t