用于语义分割的注意力引导全局增强与局部细化网络
计算机视觉与模式识别
2022-05-11 v1
摘要
编码器-解码器架构被广泛用作轻量语义分割网络。然而，相较于设计良好的 Dilated-FCN 模型，它因两个主要问题而性能受限。首先，解码器中常用的上采样方法（如插值与反卷积）受限于局部感受野，无法编码全局上下文。其次，由于早期编码器层语义概念不足，低级特征可能通过跳跃连接给网络解码器带来噪声。为应对这些挑战，提出一种全局增强方法，从高级特征图聚合全局信息并自适应分配到不同解码器层，缓解上采样过程中全局上下文的缺失。此外，开发了一种局部细化模块，利用解码器特征作为语义引导，在解码器特征与编码器特征融合前细化带噪声的编码器特征。随后，将两种方法整合为一个上下文融合块，并基于此精心设计了新颖的注意力引导全局增强与局部细化网络（AGLN）。在 PASCAL Context、ADE20K 与 PASCAL VOC 2012 数据集上的大量实验证明了所提方法的有效性。特别地，以普通 ResNet-101 为骨干，AGLN 在 PASCAL Context 数据集上取得了最先进结果（56.23% 平均 IoU）。代码见 https://github.com/zhasen1996/AGLN。
引用
@article{arxiv.2204.04363,
title = {Attention guided global enhancement and local refinement network for semantic segmentation},
author = {Jiangyun Li and Sen Zha and Chen Chen and Meng Ding and Tianxiang Zhang and Hong Yu},
journal= {arXiv preprint arXiv:2204.04363},
year = {2022}
}
备注
12 pages, 6 figures