基于学习特征与区域一致性激活室外场景标注方法研究.pdfVIP

具有学习特征和区域一致性激活的室外场景

⋆†菲尔多斯索赫·†·本纳蒙†

⋆大学，†西澳大利亚大学，澳大利亚珀斯

(201211220103,hlei)@uestc.edu.cn(ferdous.sohel,

mohammed.bennamoun)@uwa.edu.au

抽象的

本文提出了一种基于学习特征的场景标记方法。该方法

与提高全局一致性的新颖策略相结合。我们首先遵

循传统方法来研究用于场景标记的卷积神经网络

（ConvNet）的训练特征。然后，受从ConvNet

中提取的通用特征在各种应用中成功使用的启发，我们

将通用特征的使用扩展到场景标记（首次）。我们进一

步提出了一种称为区域一致性激活（RCA）的算法来提

高全局一致性。R‑CA基于超测轮廓图(UCM)和区

域一致性概率(PRC)之间的新颖转换。我们的算法在流

行的斯坦福背景和SIFTFlow数据集上进行了严格测试。

与这两个数据集上最先进的方法相比，我们取得了卓越

的性能。图1.左上：原始图像。右上：原始图像的。左

下：使用从ConvNet学习到的特征标记图像。右下：使

索引术语——场景标记、语义分割、卷积神经网络、用提议的区域一致性激活(RCA)进行场景标记。

深度学习（本文中的图以彩色显示。）

1。简介

第一步从卷积神经网络（ConvNets）[1]学习到的一般

场景标记（也称为语义分割）旨在用特定的对象类别标特征。然后我们提出一种称为区域一致性激活（RCA）

记图像中的每个像素。这是迈向高水平图像理解的重要的算法来提高全局一致性。它基于从超测等值线图

一步。然而，图像中对象的类内变化和相互遮挡使得自（UCM）到区域一致性概率（PRC）的新颖转换。图

动场景标记成为一项非常具有性的任务。场景标注1显示，从ConvNet学习到的特征对于场景标记非常强

系统有两个关键问题需要解决。首先，如何准确地对图大，并且所RCA有效地提高了全局一致性。

像中的每个像素进行分类？二、如何保证全图全局

一致性？本文提出了一种解决这些的新方法。所提本文有两个主要贡献。首先，我们在实验中同时使

出的方法依赖于两个主要成分：1）超像素级多尺度特征用端到端训练的ConvNet和通用ConvNet特征。据我

表示和2）全局一致性改进。我们训练有素的和们所知，这是第一篇研究使用通用卷积网络特征进行场

景标记的。其次，我们提出了一种将UCM转变为

该研究得到国家留学基金委（CSCNo.201306070042）和澳大利PRC的方法。基于PRC，我们提出了一种名为RCA的

亚研究资助（DE120102960和DP110103336）的支持。算法，它利用PRC并提高了场景系统的性能，以

实现全局一致性。

OUTDOORSCENELABELLINGWITHLEARNEDFEATURESANDREGION

CONSISTENCYACTIVATION

⋆†††⋆