用于场景分割的上下文先验
计算机视觉与模式识别
2020-04-06 v1
摘要
近期的工作广泛探索了上下文依赖关系，以实现更准确的分割结果。然而，大多数方法很少区分不同类型的上下文依赖，这可能会干扰场景理解。在本工作中，我们直接监督特征聚合，以清晰地区分类内和类间上下文。具体而言，我们在 Affinity Loss 的监督下开发了一个上下文先验。给定输入图像和对应的真值，Affinity Loss 构建一个理想的亲和图来监督上下文先验的学习。学习到的上下文先验提取属于同一类别的像素，而反转的先验则关注不同类别的像素。嵌入到传统的深度 CNN 中，所提出的上下文先验层可以选择性地捕获类内和类间的上下文依赖，从而产生鲁棒的特征表示。为了验证有效性，我们设计了一个有效的上下文先验网络（CPNet）。大量定量和定性评估表明，所提出的模型表现优于现有最先进的语义分割方法。更具体地说，我们的算法在 ADE20K 上实现了 46.3% 的 mIoU，在 PASCAL-Context 上实现了 53.9% 的 mIoU，在 Cityscapes 上实现了 81.3% 的 mIoU。代码可在 https://git.io/ContextPrior 获取。
关键词
引用
@article{arxiv.2004.01547,
title = {Context Prior for Scene Segmentation},
author = {Changqian Yu and Jingbo Wang and Changxin Gao and Gang Yu and Chunhua Shen and Nong Sang},
journal= {arXiv preprint arXiv:2004.01547},
year = {2020}
}
备注
Accepted to CVPR 2020. Code is available at https://git.io/ContextPrior