用于语义分割的高阶配对ASPP网络
计算机视觉与模式识别
2020-02-19 v1
摘要
当前的语义分割模型仅利用一阶统计量，而很少探索高阶统计量。然而，常见的一阶统计量不足以支撑一个可靠的统一表示。在本文中，我们提出高阶配对ASPP网络以从各个特征层级挖掘高阶统计量。该网络首先引入高阶表示模块，从主干网络的所有阶段提取上下文高阶信息。它们能提供比一阶信息更多的语义线索和判别信息。此外，提出配对ASPP模块以将早期阶段的高阶统计量嵌入到最后阶段。它可以进一步为最终预测保留低层特征中与边界相关和空间上下文的信息。我们的实验表明，高阶统计量显著提升了在易混淆物体上的性能。我们的方法在三个基准（即Cityscapes、ADE20K和Pascal-Context，mIoU分别为81.6%、45.3%和52.9%）上无需额外技巧即取得了有竞争力的性能。
引用
@article{arxiv.2002.07371,
title = {High-Order Paired-ASPP Networks for Semantic Segmenation},
author = {Yu Zhang and Xin Sun and Junyu Dong and Changrui Chen and Yue Shen},
journal= {arXiv preprint arXiv:2002.07371},
year = {2020}
}