用于语义分割的对偶图卷积网络
计算机视觉与模式识别
2020-08-27 v3
摘要
利用长程上下文信息对于语义分割等逐像素预测任务至关重要。与以往使用多尺度特征融合或空洞卷积的工作不同，我们提出了一种新颖的图卷积网络（GCN）来解决此问题。我们的对偶图卷积网络（DGCNet）通过在单一框架中建模两个正交图来建模输入特征的全局上下文。第一个组件建模图像中像素之间的空间关系，而第二个组件建模网络特征图通道维度上的相互依赖关系。这是通过将特征投影到一个新的、低维的空间来高效完成的，在该空间中可以建模所有成对交互，然后再重投影回原始空间。我们的简单方法相对于强基线提供了显著收益，并在 Cityscapes（82.0% 平均 IoU）和 Pascal Context（53.7% 平均 IoU）数据集上取得了最先进的结果。代码和模型已公开以促进进一步研究（\url{https://github.com/lxtGH/GALD-DGCNet}）。
引用
@article{arxiv.1909.06121,
title = {Dual Graph Convolutional Network for Semantic Segmentation},
author = {Li Zhang and Xiangtai Li and Anurag Arnab and Kuiyuan Yang and Yunhai Tong and Philip H. S. Torr},
journal= {arXiv preprint arXiv:1909.06121},
year = {2020}
}
备注
BMVC 2019. Code is available at \url{https://github.com/lxtGH/GALD-DGCNet}