FaPN：面向密集图像预测的特征对齐金字塔网络
计算机视觉与模式识别
2021-08-18 v2
摘要
深度神经网络的最新进展在密集图像预测方面取得了显著飞跃。然而，为求简便，特征对齐问题仍被大多数现有方法所忽视。上采样特征与局部特征之间的直接像素相加会导致上下文错位的特征图，进而转化为预测中的错误分类，尤其在物体边界上。本文提出一个特征对齐模块，学习像素的变换偏移以在上下文上对齐上采样的高层特征；以及另一个特征选择模块，以强调富含空间细节的低层特征。我们将这两个模块集成于自顶向下的金字塔架构中，提出特征对齐金字塔网络（FaPN）。在四项密集预测任务和四个数据集上的大量实验评估证明了 FaPN 的有效性，在与 Faster / Mask R-CNN 配对时，相较 FPN 在 AP / mIoU 上取得 1.2 至 2.6 点的整体提升。特别地，当集成于 Mask-Former 中时，我们的 FaPN 在 ADE20K 上达到 56.7% mIoU 的当前最优性能。代码可从 https://github.com/EMI-Group/FaPN 获取。
引用
@article{arxiv.2108.07058,
title = {FaPN: Feature-aligned Pyramid Network for Dense Image Prediction},
author = {Shihua Huang and Zhichao Lu and Ran Cheng and Cheng He},
journal= {arXiv preprint arXiv:2108.07058},
year = {2021}
}
备注
ICCV2021