针对杂乱背景语义分割的特征放大网络 FANet
计算机视觉与模式识别
2024-07-15 v1
摘要
现有的深度学习方法在语义分割中忽略了在复杂场景（包括杂乱背景和半透明对象等）中至关重要的语义线索。为处理这些挑战，我们提出了一种特征放大网络(FANet)作为主干网络，通过在多阶段引入新颖的特征增强模块来融合语义信息。为实现这一点，我们提出了一种自适应特征增强(AFE)模块，该模块同时利用空间上下文模块(SCM)和特征细化模块(FRM)并行工作。SCM 旨在利用更大的卷积核来扩大感受野，以处理场景中的尺度变化。而我们新颖的 FRM 则负责生成能够捕获低频和高频区域的语义线索，以实现更好的分割任务。我们在具有挑战性的真实世界 ZeroWaste-f 数据集上进行实验，该数据集包含背景杂乱和半透明对象。我们的实验结果表明，FANet 在语义分割任务中实现了与现有方法相比的领先性能。
引用
@article{arxiv.2407.09379,
title = {FANet: Feature Amplification Network for Semantic Segmentation in Cluttered Background},
author = {Muhammad Ali and Mamoona Javaid and Mubashir Noman and Mustansar Fiaz and Salman Khan},
journal= {arXiv preprint arXiv:2407.09379},
year = {2024}
}
备注
Accepted at ICIP 2024