FoR-Net：高效语义分割中的硬性区域聚焦学习
计算机视觉与模式识别
2026-05-26 v2
摘要
我们提出 FoR-Net，一个高效语义分割框架，专注于识别和强化难以处理的区域。不同于依赖重量级全局建模，FoR-Net 采用高效策略，通过学习的重要性图和 Top-K 激活机制有选择地强调信息化区域。具体而言，选择器模块预测区域级别的重要性，从而使模型能够关注诸如细小结构和物体边界等具有挑战性的区域。通过不同感受野的卷积分支实现多尺度推理，允许多样化的空间上下文聚合。我们在有限计算资源下的 Cityscapes 数据集上对 FoR-Net 进行评估。尽管采用高效设计和标准训练配置，FoR-Net 仍实现了具竞争力的性能，并在注意力聚焦于困难区域方面表现出改进。这些结果表明，选择性区域聚焦推理可作为语义分割的实用且高效替代方案。本工作探索了受资源限制环境下的区域聚焦推理，并为开发高效且区域感知的分割模型提供了启发。
引用
@article{arxiv.2605.02764,
title = {FoR-Net: Learning to Focus on Hard Regions for Efficient Semantic Segmentation},
author = {Sheng-Wei Chan and Hsin-Jui Pan and Chun-Po Shen and Yung-Che Wang and Meng-Qian Li and Chia-Min Lin and Jen-Shiun Chiang},
journal= {arXiv preprint arXiv:2605.02764},
year = {2026}
}
备注
9 pages, 2 figures, 2 tables. Efficient semantic segmentation under resource-constrained settings. Code will be released