[论文解读] Image Segmentation Keras : Implementation of Segnet, FCN, UNet, PSPNet and other models in Keras

Divam Gupta|arXiv (Cornell University)|Jul 25, 2023

Advanced Neural Network Applications被引用 38

一句话总结

本文提出一个基于 Keras 的库，实现流行的语义分割模型（SegNet、FCN、UNet、PSPNet 等），并提供跨数据集评估以帮助研究人员和从业者。

ABSTRACT

Semantic segmentation plays a vital role in computer vision tasks, enabling precise pixel-level understanding of images. In this paper, we present a comprehensive library for semantic segmentation, which contains implementations of popular segmentation models like SegNet, FCN, UNet, and PSPNet. We also evaluate and compare these models on several datasets, offering researchers and practitioners a powerful toolset for tackling diverse segmentation challenges.

研究动机与目标

• 在 Keras 中构建一个可重复使用、易于使用的流行语义分割模型库。
• 提供对 SegNet、FCN、UNet、PSPNet 及其他架构的可信实现。
• 提供这些模型在多个数据集上的评估和比较。
• 使研究人员和从业者能够使用现成代码应对多样的分割挑战。

提出的方法

• 在 Keras 中实现核心语义分割架构（SegNet、FCN、UNet、PSPNet）。
• 组织一个模块化代码库，便于在分割实验中重复使用和扩展。
• 在若干标准分割数据集和协议上评估模型性能。
• 提供基准测试，支持定性比较以及在可用时的定量比较。

实验结果

研究问题

• RQ1 哪些流行的分割架构在 Keras 中可以有效复现和重复使用？
• RQ2 SegNet、FCN、UNet、PSPNet 在不同数据集上的定性行为和性能如何比较？
• RQ3 一个统一的 Keras 库是否可以简化语义分割模型的基准测试和部署？
• RQ4 跨数据集评估在为特定分割任务选择模型方面提供了哪些指导？

主要发现

• 提供了一个可重复使用的 Keras 库，其中包含 SegNet、FCN、UNet、PSPNet 及其他分割模型。
• 在若干数据集上对模型进行评估和比较，以突出跨数据集的行为。
• 该工作旨在促进在语义分割任务中的快速实验和实际部署。