大核至关重要——通过全局卷积网络改进语义分割
计算机视觉与模式识别
2017-03-09 v1
摘要
最近在网络架构设计中的趋势[30, 31, 14]是在整个网络中堆叠小滤波器（例如1x1或3x3），因为在相同计算复杂度下，堆叠的小滤波器比大核更高效。然而，在语义分割领域，我们需要进行密集的逐像素预测，我们发现当必须同时执行分类和定位任务时，大核（以及有效感受野）起着重要作用。遵循我们的设计原则，我们提出了一种全局卷积网络（Global Convolutional Network）来解决语义分割的分类和定位问题。我们还提出了一种基于残差的边界细化以进一步精炼物体边界。我们的方法在两个公共基准上实现了最先进的性能，并显著优于先前结果，在PASCAL VOC 2012数据集上达到82.2%（对比80.2%），在Cityscapes数据集上达到76.9%（对比71.8%）。
引用
@article{arxiv.1703.02719,
title = {Large Kernel Matters -- Improve Semantic Segmentation by Global Convolutional Network},
author = {Chao Peng and Xiangyu Zhang and Gang Yu and Guiming Luo and Jian Sun},
journal= {arXiv preprint arXiv:1703.02719},
year = {2017}
}