学习统计纹理用于语义分割
计算机视觉与模式识别
2021-03-09 v1
摘要
现有语义分割工作主要聚焦于利用 CNN 学习高层语义特征中的上下文信息。为保持精确边界，低层纹理特征被直接跳跃连接至更深层。然而，纹理特征不仅关乎局部结构，还包含输入图像的全局统计知识。本文充分利用低层纹理特征，提出一种新颖的用于语义分割的统计纹理学习网络（STLNet）。STLNet 首次分析了低层信息的分布并高效地将其用于该任务。具体而言，设计了一种新颖的量化与计数算子（QCO）以统计方式描述纹理信息。基于 QCO 引入两个模块：（1）纹理增强模块（TEM），用于捕获纹理相关信息并增强纹理细节；（2）金字塔纹理特征提取模块（PTFEM），用于从多尺度有效提取统计纹理特征。通过大量实验，我们表明所提 STLNet 在三个语义分割基准 Cityscapes、PASCAL Context 和 ADE20K 上取得了最先进的性能。
引用
@article{arxiv.2103.04133,
title = {Learning Statistical Texture for Semantic Segmentation},
author = {Lanyun Zhu and Deyi Ji and Shiping Zhu and Weihao Gan and Wei Wu and Junjie Yan},
journal= {arXiv preprint arXiv:2103.04133},
year = {2021}
}
备注
Accepted to CVPR 2021