具有侧抑制的膨胀卷积用于语义图像分割
计算机视觉与模式识别
2022-01-20 v5
摘要
膨胀卷积在深度语义分割模型中得到了广泛应用，因为它们能够在不增加额外权重也不牺牲空间分辨率的情况下扩大滤波器的感受野。然而，由于膨胀卷积滤波器不具备关于语义有意义轮廓上像素的位置信息，它们可能导致物体边界上的模糊预测。此外，尽管膨胀滤波器可以扩展其感受野，但被采样像素的总数保持不变，这通常只占感受野总面积的很小一部分。受人类视觉系统中的侧抑制（Lateral Inhibition, LI）机制启发，我们提出了具有侧抑制的膨胀卷积（LI-Convs）以克服这些局限。引入 LI 机制提高了卷积滤波器对语义物体边界的敏感性。此外，由于 LI-Convs 还隐式地考虑了来自侧抑制区域的像素，它们也能以更密集的尺度提取特征。通过将 LI-Convs 集成到 Deeplabv3+ 架构中，我们提出了侧抑制空洞空间金字塔池化（LI-ASPP）、侧抑制 MobileNet-V2（LI-MNV2）和侧抑制 ResNet（LI-ResNet）。在三个基准数据集（PASCAL VOC 2012、CelebAMask-HQ 和 ADE20K）上的实验结果表明，我们的基于 LI 的分割模型在所有数据集上均优于基线，从而验证了所提 LI-Convs 的有效性与通用性。
引用
@article{arxiv.2006.03708,
title = {Dilated Convolutions with Lateral Inhibitions for Semantic Image Segmentation},
author = {Yujiang Wang and Mingzhi Dong and Jie Shen and Yiming Lin and Maja Pantic},
journal= {arXiv preprint arXiv:2006.03708},
year = {2022}
}
备注
Code is avaible at https://github.com/mapleandfire/LI-Convs