0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 3 years have passed since last update.

【Semantic Segmentation】AdapNet :

Posted at

AdapNet: Adaptive Semantic Segmentation in Adverse Environmental Conditions

basenetworkにResNet+deconvolutionを組み合わせたシンプルなネットワークResNetUpconvを使用している。FCNと同じくらいの精度が出てパラメターが少なくて早かったらしい。

新規性

Multiscale Blocks (MS)

image.png

普通のResNetで使われているResidual Block。

*普通の3x3 Convを重ねていくと消失勾配という問題が出るので、入力を足す事で回避
*1x1 Conv(Channel数を小さくする)->3x3 Conv->1x1 Conv(出力したいChannel数にする) => 計算量が小さくなる

image.png

複数のsize(Globalとlocal)の特徴量を学習する為に、channelを半分に分けて別々のDilated(atrous) Convで畳み込み、結合する。

Front Convolution (FC)

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/482094/9ceefb12-3806-0275-bc9c-06976dbed3fa.png)

ResNetではstride2のConvと2x2Max Poolingで画像サイズが1/4になっていしまう。
High Resolutionの特徴を失っちゃうんじゃね?!という事でその前に3x3 Convを一つ挟んでみたそうです。

convoluted mixture of deep experts (CMoDE)

まだ理解出来ていないので、今後updateします。 分かる人いたら、説明して頂けると嬉しいです。

結論

・ResNetにUpconvをしただけのsimpleなネットワークがbase ・Residual Blockを複数のサイズで学習出来るように工夫 ・3x3 convを最初に付け足した ・CMoDEという手法を使っている

次はSOTAのAdaptNet++を調べるぞ!

参考文献

AdapNet: Adaptive Semantic Segmentation in Adverse Environmental Conditions http://ais.informatik.uni-freiburg.de/publications/papers/valada17icra.pdf
0
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?