面向超高分辨率图像内存高效分割的全局-局部协同网络
计算机视觉与模式识别
2021-03-04 v3
摘要
超高分辨率图像的分割需求日益增长，但在算法效率方面带来了显著挑战，尤其考虑到（GPU）内存限制。现有方法要么对超高分辨率图像进行下采样，要么将其裁剪为小块分别处理。无论哪种方式，局部精细细节或全局上下文信息的丢失都会导致分割精度有限。我们提出全局-局部协同网络（GLNet），以高度内存高效的方式有效保留全局与局部信息。GLNet由全局分支和局部分支组成，分别以降采样后的整幅图像及其裁剪的局部块作为输入。在分割时，GLNet深度融合两个分支的特征图，同时捕获来自放大局部块的高分辨率精细结构以及来自降采样输入的上下文依赖。为了进一步解决背景与前景区域之间潜在的类别不平衡问题，我们提出了GLNet的由粗到细变体，同样具有内存高效性。我们在三个真实世界的超高分辨率航空与医学图像数据集（分辨率高达3000万像素）上进行了大量实验与分析。仅使用一块1080Ti GPU且占用内存不足2GB，我们的GLNet即可产生高质量的分割结果，并相比当前最优方法实现了更具竞争力的精度-内存使用权衡。
引用
@article{arxiv.1905.06368,
title = {Collaborative Global-Local Networks for Memory-Efficient Segmentation of Ultra-High Resolution Images},
author = {Wuyang Chen and Ziyu Jiang and Zhangyang Wang and Kexin Cui and Xiaoning Qian},
journal= {arXiv preprint arXiv:1905.06368},
year = {2021}
}
备注
CVPR2019 oral