基于深度卷积神经网络的前景对象图像分割模型FOSegNet

摘要

提出一个端到端的基于深度卷积神经网络DCNNs(Deep Convolutional Neural Networks)的监督学习模型FOSegNet(Foreground Object Segmentation Networks),用于逐像素的前景对象图像分割.首先能有效地扩大滤波器视野的扩张卷积代替常用卷积,以便加入更多的上下文信息而不增加参数数量;然后提出并应用分流聚合模块SFM(Shunt-Fuse Module),在多尺度上鲁棒地分割物体,增强分割模型的泛化能力;最后级联DCNNs、分流聚合模块和概率图模型作为分割模型的特征提取器,实现模型端到端的训练与分割.实验结果表明,FOSegNet模型在MIT Object Discovery和ImageNet-Segmentation数据集上均超过了众多前景对象分割模型的性能表现,在PASCAL VOC 2012数据集上的分割表现也优于众多语义分割模型.