GSANet：具有全局与选择性注意力的语义分割网络
计算机视觉与模式识别
2020-03-03 v1 机器学习
图像与视频处理
机器学习
摘要
本文提出一种用于语义分割的新型深度学习架构。所提出的全局与选择性注意力网络（GSANet）以空洞空间金字塔池化（ASPP）结合新型 sparsemax 全局注意力和新型选择性注意力为特色，该选择性注意力部署了一种浓缩与扩散机制，以从提取的深度特征中聚合多尺度上下文信息。我们还提出一种选择性注意力解码器，用于处理 GSA-ASPP 输出以优化 softmax 体。我们首次使用针对边缘设备低延迟优化的低复杂度特征提取网络（FXN）MobileNetEdge 对语义分割网络的性能进行基准测试。我们表明，GSANet 在使用 MobileNetEdge 以及使用 Xception 等强 FXN 时均能实现更准确的分割。GSANet 在 ADE20k 和 Cityscapes 数据集上均提升了最先进的语义分割精度。
引用
@article{arxiv.2003.00830,
title = {GSANet: Semantic Segmentation with Global and Selective Attention},
author = {Qingfeng Liu and Mostafa El-Khamy and Dongwoon Bai and Jungwon Lee},
journal= {arXiv preprint arXiv:2003.00830},
year = {2020}
}