FEANet：用于 RGB-热红外实时语义分割的特征增强注意力网络
计算机视觉与模式识别
2021-10-19 v1
摘要
近年来，用于语义分割的 RGB-热红外（RGB-T）信息得到了广泛探索。然而，大多数现有的 RGB-T 语义分割方法通常为了实现实时推理速度而牺牲空间分辨率，从而导致性能不佳。为了更好地提取细节空间信息，我们提出了一种用于 RGB-T 语义分割任务的两阶段特征增强注意力网络（FEANet）。具体而言，我们引入了特征增强注意力模块（FEAM），从通道和空间视角挖掘并增强多级特征。得益于所提出的 FEAM 模块，我们的 FEANet 能够保留空间信息，并将更多注意力转移到来自融合 RGB-T 图像的高分辨率特征上。在城市场景数据集上的大量实验表明，我们的 FEANet 在客观指标和主观视觉比较方面均优于其他最先进（SOTA）的 RGB-T 方法（全局 mAcc 提升 2.6%，全局 mIoU 提升 0.8%）。对于 480 x 640 的 RGB-T 测试图像，我们的 FEANet 可以在 NVIDIA GeForce RTX 2080 Ti 显卡上以实时速度运行。
引用
@article{arxiv.2110.08988,
title = {FEANet: Feature-Enhanced Attention Network for RGB-Thermal Real-time Semantic Segmentation},
author = {Fuqin Deng and Hua Feng and Mingjian Liang and Hongmin Wang and Yong Yang and Yuan Gao and Junfeng Chen and Junjie Hu and Xiyue Guo and Tin Lun Lam},
journal= {arXiv preprint arXiv:2110.08988},
year = {2021}
}
备注
7 pages, 5 figures