DL之PSPNet：PSPNet算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略

?

?

?

?

目錄

PSPNet算法的簡介(論文介紹)

0、實驗結果

PSPNet算法的架構詳解

PSPNet算法的案例應用

---

?

?

?

?

?

相關文章
DL之PSPNet：PSPNet算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略
DL之PSPNet：PSPNet算法的架構詳解

PSPNet算法的簡介(論文介紹)

更新……

Abstract ?
? ? ? Scene parsing is challenging for unrestricted open vocabulary ?and diverse scenes. In this paper, we exploit the ?capability of global context information by different-regionbased ?context aggregation through our pyramid pooling ?module together with the proposed pyramid scene parsing ?network (PSPNet). Our global prior representation is effective ?to produce good quality results on the scene parsing ?task, while PSPNet provides a superior framework for pixellevel ?prediction. The proposed approach achieves state-ofthe-art ?performance on various datasets. It came first in ImageNet ?scene parsing challenge 2016, PASCAL VOC 2012 ?benchmark and Cityscapes benchmark. A single PSPNet ?yields the new record of mIoU accuracy 85.4% on PASCAL ?VOC 2012 and accuracy 80.2% on Cityscapes.
? ? ? 場景解析對于不受限制的開放詞匯表和不同的場景具有挑戰性。本文結合金字塔場景分析網絡(PSPNet)，通過金字塔池模塊實現了基于不同區域的上下文聚合，實現了全局上下文信息的聚合。我們的全局先驗表示方法能夠有效地在場景解析任務中生成高質量的結果，而PSPNet為pixellevel預測提供了一個優越的框架。該方法在各種數據集上實現了最先進的性能。在ImageNet場景分析的挑戰2016、PASCAL VOC 2012基準測試和Cityscapes基準測試中獲得第一名。單個PSPNet在PASCAL VOC 2012上的mIoU準確率為85.4%，在城市景觀上的準確率為80.2%。
Concluding Remarks ?
? ? ? We have proposed an effective pyramid scene parsing ?network for complex scene understanding. The global pyramid pooling feature provides additional contextual information. ?We have also provided a deeply supervised optimization ?strategy for ResNet-based FCN network. We hope the ?implementation details publicly available can help the community ?adopt these useful strategies for scene parsing and ?semantic segmentation and advance related techniques.
? ? ? 針對復雜場景的理解，提出了一種有效的金字塔場景解析網絡。全局金字塔池功能提供了額外的上下文信息。為基于resnet的FCN網絡提供了一種深度監督優化策略。我們希望公開的實現細節可以幫助社區采用這些有用的場景解析和語義分割策略，并推進相關技術。

論文
Hengshuang Zhao, JianpingShi, XiaojuanQi, XiaogangWang, JiayaJia.
Pyramid Scene Parsing Network. CVPR 2017.
https://arxiv.org/abs/1612.01105

?

0、實驗結果

1、Experiments

作者在三個不同的數據集上做實驗，Three different datasets, including??三個不同的數據集，包括

• ImageNet scene parsing challenge 2016
  ImageNet場景解析挑戰2016
• PASCAL VOC 2012 semantic segmentation
  PASCAL VOC 2012語義分割
• urban scene understanding dataset Cityscapes
  城市場景理解數據集城市景觀

?

2、在ADE2OK驗證集中，不同預訓練ResNet的PSPNet性能

Performance of PSPNet with different pre-trained ResNet on ADE2OK validation set? 隨著深度增加，性能逐漸增加；當然，深度越深，其復雜度越高！
Visual improvements on ADE20K PSPNet produces more accurate and detailed results.? ? 因為有全局信息，PSPNet 生成了更精確和詳細的結果。

?

3、PASCAL VOC 2012數據的可視化改進

PSPNet定量分析——PASCAL VOC 2012測試集每段成績，MS-COCO數據集上預訓練方法標注“+” Table 6. Per-class results on PASCAL VOC 2012 testing set. Methods pre-trained on MS-COCO are marked with ‘+’?.? ?
Visual improvements on PASCAL VOC 2012 data PSP-Net produces more accurate and detailed results.? 圖中，可知PSP-Net產生了更精確和詳細的結果。
PASCAL VOC 2012年數據的可視化比較 Figure 9. Visual comparison on PASCAL VOC 2012 data.? 圖可知，DeepLab和PSPNet的分割效果都是不錯的！ ?

?

?

?

?

4、在Cityscapes數據集上的PSPNet結果示例

在城市景觀測試集上的結果，使用細數據和粗數據訓練的方法被標記為“+” Table 7. Results on Cityscapes testing set. Methods trained using both fine and coarse data are marked with '+'.? ?
Examples of PSPNet results on Cityscapes dataset

?

?

?

PSPNet算法的架構詳解

更新……

DL之PSPNet：PSPNet算法的架構詳解

?

?

?

PSPNet算法的案例應用

更新……

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

總結

以上是生活随笔為你收集整理的DL之PSPNet：PSPNet算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。