您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
谷歌开源其语义图像分割模型DeepLab-v3+
2018年03月13日 由 xiaoshan.xiang 发表
582194
0
语义图像分割是为图像中的每个像素分配诸如“道路”，“天空”，“人”，“狗”之类的语义标签，它使得许多新的应用程序在（例如Pixel 2和Pixel 2 XL的智能手机和移动实时视频分割）竖屏模式下合成浅景深效果。分配这些语义标签需要确定对象的轮廓，因此比其他视觉实体识别任务(如图像级分类或边界盒级检测)更严格地要求定位精度。
今天，谷歌宣布了他们最新的和性能最好的语义图像分割模型的开源版本， DeepLab-v3+，可在Tensorflow中实现。此版本包含基于强大的卷积神经网络（CNN）骨干架构构建的DeepLab-v3 +模型，获得最准确的结果，用于服务器端部署。作为本次发布的一部分，谷歌还分享了他们的Tensorflow模型训练和评估代码，以及已经预先训练过的Pascal VOC 2012和Cityscapes 基准语义分割任务的模型。
自从三年前谷歌的DeepLab模型第一次改版以来，改进的CNN特征提取器，更好的对象比例建模，对上下文信息的仔细同化，改进的训练过程以及越来越强大的硬件和软件导致了DeepLab-v2和DeepLab-v3的改进。借助DeepLab-v3 +，我们通过添加简单而有效的解码器模块来扩展DeepLab-v3，以细化分割结果，尤其是对象边界。我们进一步将深度可分离卷积应用于空间金字塔池（atrous spatial pyramid pooling）和解码器模块，从而形成更快更强的用于语义分割的编码器 - 解码器网络。
今天，谷歌宣布了他们最新的和性能最好的语义图像分割模型的开源版本， DeepLab-v3+，可在Tensorflow中实现。此版本包含基于强大的卷积神经网络（CNN）骨干架构构建的DeepLab-v3 +模型，获得最准确的结果，用于服务器端部署。作为本次发布的一部分，谷歌还分享了他们的Tensorflow模型训练和评估代码，以及已经预先训练过的Pascal VOC 2012和Cityscapes 基准语义分割任务的模型。
自从三年前谷歌的DeepLab模型第一次改版以来，改进的CNN特征提取器，更好的对象比例建模，对上下文信息的仔细同化，改进的训练过程以及越来越强大的硬件和软件导致了DeepLab-v2和DeepLab-v3的改进。借助DeepLab-v3 +，我们通过添加简单而有效的解码器模块来扩展DeepLab-v3，以细化分割结果，尤其是对象边界。我们进一步将深度可分离卷积应用于空间金字塔池（atrous spatial pyramid pooling）和解码器模块，从而形成更快更强的用于语义分割的编码器 - 解码器网络。
基于卷积神经网络(CNNs)之上的现代语义图像分割系统的精确度已经达到了难以想象的程度，这要归功于方法、硬件和数据集的进步。谷歌希望，向社区公开分享他们的系统，使学术界和业界的其他团体更容易复制和进一步改善该先进系统，训练新数据集的模型，并为这项技术设想新的应用程序。
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消