面向语义分割的边界引导上下文聚合
计算机视觉与模式识别
2021-10-28 v1
摘要
近期关于语义分割的研究开始注意到边界信息的重要性，多数方法将边界视为语义细节的补充。然而，简单地将边界与主流特征相融合并不能确保语义建模的整体提升。与以往研究不同，我们利用边界作为上下文聚合的重要引导，以促进图像的整体语义理解。为此，我们提出一种边界引导上下文聚合网络（BCANet），其中专门设计了一个多尺度边界提取器（MSB）来借用主干网络多尺度特征以进行精确边界检测。在此基础上，进一步提出一种基于非局部网络改进的边界引导上下文聚合模块（BCA），用于捕获边界区域像素与物体内部像素之间的长距离依赖关系。通过沿边界聚合上下文信息，同类别内部像素实现相互增益，从而增强了类内一致性。我们在 Cityscapes 和 ADE20K 数据库上进行了大量实验，取得了与最先进方法相当的结果，清晰证明了所提方法的有效性。
引用
@article{arxiv.2110.14587,
title = {Boundary Guided Context Aggregation for Semantic Segmentation},
author = {Haoxiang Ma and Hongyu Yang and Di Huang},
journal= {arXiv preprint arXiv:2110.14587},
year = {2021}
}
备注
Accepted at BMVC'2021