DRNet: Dual-stage refinement network with boundary inference for RGB-D semantic segmentation of indoor scenes

计算机科学 人工智能 分割 模式识别(心理学) 尺度空间分割 图像分割 基于分割的对象分类 增采样 卷积神经网络 推论 计算机视觉 图像(数学)
作者
Enquan Yang,Wujie Zhou,Xiaohong Qian,Jingsheng Lei,Lu Yu
出处
期刊:Engineering Applications of Artificial Intelligence [Elsevier]
卷期号:125: 106729-106729 被引量:21
标识
DOI:10.1016/j.engappai.2023.106729
摘要

Semantic segmentation is a dense pixel prediction task, and its accuracy depends on the extraction of long-range contextual knowledge and refinement of segmentation boundaries. Most segmentation methods are based on feature extraction using a convolutional neural network, and layer-by-layer sampling and fusion are applied to solve inherent problems such as chaotic boundaries and scattered objects. Owing to the limited receptive field and loss of details during downsampling, the segmentation results may be unsatisfactory. To address existing shortcomings, we propose a dual-stage refinement network (DRNet) for semantic segmentation. In the first stage, we adopt an efficient spatiotemporal representation learning framework called UniFormer. We also use a novel boundary extractor and initial segmentation map generator to obtain rough segmentation results. In the second stage, we use the rough segmentation map and extracted boundary information in a graph reasoning module that restores the class boundary features while completing global modeling and local information inference. Benefiting from the acquisition of long-range dependencies between image pixels, contextual information promotes the distinction of pixel categories. In addition, edge information can increase the interclass distinguishability and refine the segmentation boundaries. Results from extensive experiments demonstrate that the proposed DRNet outperforms state-of-the-art semantic segmentation methods. The codes and results are available at: https://github.com/EnquanYang2022/DRNet.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
ZHDNCG发布了新的文献求助10
1秒前
卿佑发布了新的文献求助30
3秒前
3秒前
ding应助jagger采纳,获得10
3秒前
大个应助辛坦夫采纳,获得10
4秒前
着急的如风完成签到,获得积分10
6秒前
Cyril完成签到 ,获得积分10
6秒前
骨小梁发布了新的文献求助10
6秒前
7秒前
百草发布了新的文献求助10
7秒前
糊涂涂发布了新的文献求助10
8秒前
逗小豆完成签到 ,获得积分10
8秒前
乐乐应助小飞采纳,获得10
8秒前
摸猪头完成签到,获得积分20
9秒前
上官若男应助嗑瓜子传奇采纳,获得10
10秒前
思源应助yangfeidong采纳,获得10
11秒前
充电宝应助司徒无剑采纳,获得10
11秒前
落寞白昼关注了科研通微信公众号
11秒前
哭泣蛋挞完成签到 ,获得积分10
11秒前
13秒前
我是老大应助lumos采纳,获得10
14秒前
ZHDNCG完成签到,获得积分10
15秒前
Nitric_Oxide应助潘朒朒采纳,获得10
15秒前
shine完成签到,获得积分10
16秒前
Nini1203完成签到,获得积分10
16秒前
高兴小熊猫完成签到,获得积分10
16秒前
熊熊面包应助糊涂涂采纳,获得10
17秒前
qin完成签到 ,获得积分10
18秒前
feimengxia完成签到 ,获得积分10
18秒前
19秒前
Suuu发布了新的文献求助10
19秒前
漂亮听双完成签到,获得积分10
20秒前
椒盐丸子发布了新的文献求助10
22秒前
shine发布了新的文献求助10
23秒前
25秒前
26秒前
orixero应助hitagi采纳,获得10
26秒前
27秒前
百草完成签到,获得积分10
27秒前
humorlife完成签到,获得积分10
28秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3134791
求助须知:如何正确求助?哪些是违规求助? 2785712
关于积分的说明 7773726
捐赠科研通 2441524
什么是DOI,文献DOI怎么找? 1297985
科研通“疑难数据库(出版商)”最低求助积分说明 625075
版权声明 600825