这是专栏《图像分割模型》的第10篇文章。在这里，我们将共同探索解决分割问题的主流网络结构和设计思想。
深度信息的引入往往会给分割带来更好的结果。之前提到的ENet除了直接变成ReSeg分割网络，同样也可以结合RGB-D信息实现更准确的分割。
作者 | 孙叔桥
编辑 | 言有三
本期论文
《 LSTM-CF: Unifying Context Modeling and Fusion with LSTMs for RGB-D Scene Labeling 》
1 RGB-D分割
前面我们已经讨论过许多基于RGB信息的分割网络了，今天就来谈谈RGB-D分割。RGB-D分割中的D指的是“Depth”，即“深度”，也就是相机到物体在实际空间中的距离。
那么既然RGB信息已经能够实现分割，为什么要用到深度信息呢？原因很简单：引入深度信息后，其提供的额外结构信息能够有效辅助复杂和困难场景下的分割。比如，与室外场景相比，由于语义类别繁杂、遮挡严重、目标外观差异较大等原因，室内场景的分割任务要更难实现。 此时，在结合深度信息的情况下，能够有效降低分割的难度。
虽然道理容易，但是如何实现RGB-D分割还是有些问题需要解决的：
-
如何有效地表述和融合共存的深度和光度（RGB）数据
-
如何在特征学习过程中有效获取全局场景上下文
下面我们就通过LSTM-CF网络结构来了解一下，如何实现RGB-D下的分割。
2 LSTM-CF
上一篇文章我们已经介绍过了ReNet，这里简单回顾一下。ReNet是通过在两个正交方向上级联应用RNN来获取图像中的2D依赖项。ReNet的具体实现方式如下图所示：
基于ReNet，LSTM-CF利用长短时间记忆和DeepLab实现分割。LSTM-DF 主要包括四个部分：用于竖直深度上下文提取的层，用于竖直光度上下文提取的层，用于整合光度和深度上下文成2D全局上下文的记忆融合层，和像素级场景分割层。
下图是LSTM-CF网络模型：
输入深度信息后，LSTM-CF利用HHA描述，将深度信息转换成视差、表面法线和高这三个通道的信息。随后，利用ReNet提取不同方向上的上下文信息，并在两个方向进行双向传播。
与此同时，对于RGB通道信息，网络利用如上图所示的卷积结构提取特征，利用插值将各级特征恢复到相同分辨率下，并级联。之后，同样利用ReNet获取上下文信息。
细心的读者可能注意到了，RGB通道比深度通道多出了两层。这是因为，考虑到光度图像比离散、稀疏的深度图像包含的信息多，网络对光度图像分支给予更多的关注。
概括起来，LSTM-CF的分割流程可以总结为下图的形式：
3 实验结果
为了验证深度信息和长短信息记忆等模块对于分割任务的影响，LSTM-CF对网络结构进行了剥离实验。下图是实验结果：
可见，分割的主要精度还是来源于RGB信息的，但是引入了深度信息和上下文信息后，网络的精度能够得到一定的提升。
下图是LSTM-CF在SUNRGBD数据库下的实验结果：
第一行为图像，第二行为真值，第三行为LSTM-CF分割结果
如果想了解更多，欢迎加入图像分割星球
总结
经过10期的介绍，语义分割问题上应该了解的基础网络结构就基本说完了。下一期我们来聊聊与语义分割稍有差异的实例分割网络结构。
本周直播(点击图片跳转)
今日看图猜技术
今日知识汇总
有三AI生态
更多精彩内容请关注知乎专栏《有三AI学院》
转载文章请后台联系
侵权必究
往期精选
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
- 【图像分割模型】用BRNN做分割—ReSeg
- 视觉工具包torchvision重大更新：支持分割模型、检测模型，还有许多数据集
- 实例分割模型Mask R-CNN
- 从人脸检测到语义分割，OpenCV预训练模型库
- 谷歌最新语义图像分割模型 DeepLab-v3+ 现已开源
- 谷歌的开源AI图像分割模型为云TPU优化
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
编译原理
Alfred V. Aho、Monica S.Lam、Ravi Sethi、Jeffrey D. Ullman / 赵建华、郑滔、戴新宇 / 机械工业出版社 / 2008年12月 / 89.00元
本书全面、深入地探讨了编译器设计方面的重要主题，包括词法分析、语法分析、语法制导定义和语法制导翻译、运行时刻环境、目标代码生成、代码优化技术、并行性检测以及过程间分析技术，并在相关章节中给出大量的实例。与上一版相比，本书进行了全面的修订，涵盖了编译器开发方面的最新进展。每章中都提供了大量的系统及参考文献。 本书是编译原理课程方面的经典教材，内容丰富，适合作为高等院校计算机及相关专业本科生及研......一起来看看 《编译原理》 这本书的介绍吧!
