FCN+: 全局感受野卷积让FCN再度卓越
计算机视觉与模式识别
2025-02-13 v2
摘要
全卷积网络(FCN)是语义分割的奠基性工作。然而，由于其有限的感受野，FCN无法有效捕获对语义分割至关重要的全局上下文信息。因此，它被那些利用不同滤波器尺寸以获得更大感受野的state-of-the-art方法所超越。然而，这种策略通常引入更多参数并增加计算成本。本文提出一种新颖的全局感受野卷积(GRC)，以有效增大FCN的感受野用于上下文信息提取，从而得到改进的FCN，称为FCN+。GRC为卷积提供全局感受野而不引入任何额外的可学习参数。GRC的动机是：卷积滤波器的不同通道可以在整个输入特征图上具有不同网格采样位置。具体而言，GRC首先将滤波器的通道分为两组。第一组通道的网格采样位置根据其通道索引偏移至整个特征图上的不同空间坐标。这有助于卷积滤波器捕获全局上下文信息。第二组通道的网格采样位置保持不变以保留原始位置信息。通过使用这两组进行卷积，GRC可将全局上下文整合到每个像素的原始位置信息中，以获得更好的密集预测结果。借助内置的GRC，FCN+在PASCAL VOC 2012、Cityscapes和ADE20K上经证实可取得与语义分割任务的state-of-the-art方法相当的性能。我们的代码将发布于https://github.com/Zhongying-Deng/FCN_Plus。
引用
@article{arxiv.2303.04589,
title = {FCN+: Global Receptive Convolution Makes FCN Great Again},
author = {Xiaoyu Ren and Zhongying Deng and Jin Ye and Junjun He and Dongxu Yang},
journal= {arXiv preprint arXiv:2303.04589},
year = {2025}
}
备注
Accepted to NeuroComputing