ATV-Net：基于自适应三视图网络的动态特征融合

最近的语义分割研究越来越倾向于采用更强的上下文建模、密集注意力和基于Transformer的架构。尽管这些模型取得了令人印象深刻的性能，但经典的基于CNN的分割管道仍然吸引人，因为它们简单、高效且易于实现。本文重新审视了一个实用问题：仅通过修改分割头，基于ResNet的分割模型可以获得多大的改进？我们提出了ATV-Net，即自适应三视图网络(Adaptive Triple-View Network)，通过三种简单而互补的感受野视图来强化ResNet-101主干网络。微观视图捕获点级语义响应，局部视图建模邻域结构和物体边界，侦察视图提供扩大的上下文线索。与使用固定权重融合这些视图不同，ATV-Net引入了自适应决策门(Adaptive Decision Gate)，根据输入场景特征动态选择感受野响应。进一步应用紧凑的全局协调层，以提高空间和语义一致性。在Cityscapes验证集上的实验表明，ATV-Net实现了80.31%的mIoU。这一结果表明，经典的基于CNN的分割方法仍然远未过时：仅通过简单的文件感受野视图和自适应融合，基于ResNet的管道即可达到具竞争力的准确度，无需依赖Transformer式的全局注意力或过于复杂的上下文模块。