面向轻量级目标解析的上下文集成与特征精炼网络
计算机视觉与模式识别
2020-04-22 v3
摘要
面向轻量级目标解析的语义分割是一项极具挑战性的任务，因为需要同时考虑精度与效率（如执行速度、内存占用或计算复杂度）。然而，以往大多数工作过于关注单方面，即精度或速度，而忽略其他方面，这对智能设备的实际需求造成了很大限制。为应对这一困境，我们提出了一种名为上下文集成与特征精炼网络（CIFReNet）的新型轻量级架构。CIFReNet的核心组件是长跳跃精炼模块（LRM）和多尺度上下文集成模块（MCIM）。LRM旨在缓解低层与高层阶段之间空间信息的传播。此外，在长跳跃学习过程中引入通道注意力机制以提升低层特征精炼的质量。同时，MCIM由三个带有图像级特征的级联密集语义金字塔（DSP）块组成，用于编码多尺度上下文信息并扩大感受野。具体而言，所提出的DSP块利用密集特征采样策略来增强信息表示，且不显著增加计算成本。在包括Cityscapes、CamVid和Helen三个目标解析基准数据集上进行了综合实验。结果表明，与其他最先进的方法相比，所提方法在精度与效率之间取得了更好的权衡。
引用
@article{arxiv.1907.11474,
title = {Context-Integrated and Feature-Refined Network for Lightweight Object Parsing},
author = {Bin Jiang and Wenxuan Tu and Chao Yang and Junsong Yuan},
journal= {arXiv preprint arXiv:1907.11474},
year = {2020}
}