用于语义分割的距离引导通道加权
计算机视觉与模式识别
2022-05-16 v4
摘要
近期的工作通过利用深度神经网络捕获高通道数的特征，在提升多项计算机视觉任务性能方面取得了巨大成功。然而，所提取特征的许多通道不具备判别性且包含大量冗余信息。在本文中，我们通过引入距离引导通道加权（DGCW）模块来解决上述问题。DGCW 模块以逐像素上下文提取的方式构建，在建模每个像素特征向量与其他像素的关系时通过对不同通道进行加权来增强特征的判别性。它能够充分利用高判别性信息，同时忽略特征图中包含的低判别性信息，并捕获长程依赖。此外，通过将 DGCW 模块与基线分割网络结合，我们提出了距离引导通道加权网络（DGCWNet）。我们进行了大量实验以证明 DGCWNet 的有效性。特别地，它仅在精细标注数据上训练即在 Cityscapes 上取得了 81.6% 的 mIoU，并在另外两个语义分割数据集即 Pascal Context 和 ADE20K 上也获得了令人满意的性能。代码将很快发布于 https://github.com/LanyunZhu/DGCWNet。
引用
@article{arxiv.2004.12679,
title = {Distance Guided Channel Weighting for Semantic Segmentation},
author = {Xuanyi Liu and Lanyun Zhu and Shiping Zhu and Li Luo},
journal= {arXiv preprint arXiv:2004.12679},
year = {2022}
}