FastFCN：重新思考骨干网络中用于语义分割的空洞卷积
计算机视觉与模式识别
2019-03-29 v1
摘要
现代语义分割方法通常在骨干网络中使用空洞卷积来提取高分辨率特征图，这带来了沉重的计算复杂度和内存占用。为替代耗时且耗内存的空洞卷积，我们通过将提取高分辨率特征图的任务表述为联合上采样问题，提出了一种名为联合金字塔上采样（JPU）的新型联合上采样模块。借助所提 JPU，我们的方法在不损失性能的情况下将计算复杂度降低三倍以上。实验表明 JPU 优于其他上采样模块，其可插入许多现有方法中以降低计算复杂度并提升性能。通过用所提 JPU 模块替换空洞卷积，我们的方法在 Pascal Context 数据集（mIoU 为 53.13%）和 ADE20K 数据集（最终得分 0.5584）上取得了最先进（state-of-the-art）性能，同时运行速度快 3 倍。
引用
@article{arxiv.1903.11816,
title = {FastFCN: Rethinking Dilated Convolution in the Backbone for Semantic Segmentation},
author = {Huikai Wu and Junge Zhang and Kaiqi Huang and Kongming Liang and Yizhou Yu},
journal= {arXiv preprint arXiv:1903.11816},
year = {2019}
}
备注
Code is available in https://github.com/wuhuikai/FastFCN