C3：集中-综合卷积及其在语义分割中的应用
计算机视觉与模式识别
2019-07-30 v3
摘要
构建轻量级语义分割模型的一个实用选择是将深度可分离卷积与空洞卷积相结合。然而，这两种方法的简单组合会导致过度简化的操作，并因特征图中包含的信息丢失而引起严重的性能下降。为解决该问题，我们提出了一种称为集中-综合卷积（Concentrated-Comprehensive Convolution, C3）的新模块，其在深度可分离空洞卷积之前应用非对称卷积，以补偿因空洞卷积造成的信息损失。C3 模块由集中阶段和综合卷积阶段组成。第一阶段使用两个深度可分离非对称卷积从相邻像素压缩信息，以缓解信息丢失。第二阶段通过使用来自第一阶段特征图的深度可分离空洞卷积来增大感受野。我们将 C3 模块应用于多种分割框架（ESPNet、DRN、ERFNet、ENet）以证明所提方法的有益特性。实验结果表明，所提方法在 Cityscapes 数据集上保持原始精度的同时降低了复杂度。此外，我们改进了 ESPNet，与原始 ESPNet 相比，在参数数量减半、FLOPs 减少 35% 的情况下取得了约 2% 更好的性能。最后，在 ImageNet 分类任务上的实验表明，C3 模块可以成功替代空洞卷积。
引用
@article{arxiv.1812.04920,
title = {C3: Concentrated-Comprehensive Convolution and its application to semantic segmentation},
author = {Hyojin Park and Youngjoon Yoo and Geonseok Seo and Dongyoon Han and Sangdoo Yun and Nojun Kwak},
journal= {arXiv preprint arXiv:1812.04920},
year = {2019}
}