学习预测用于语义分割的上下文自适应卷积
计算机视觉与模式识别
2020-08-27 v2
摘要
长程上下文信息对于实现高性能语义分割至关重要。以往的特征重加权方法表明，使用全局上下文对特征通道进行重加权可有效提升语义分割精度。然而，全局共享的特征重加权向量对于输入图像中不同类别的区域可能并非最优。本文中，我们提出一种上下文自适应卷积网络(CaC-Net)，为语义特征图的每个空间位置预测空间变化的特权重向量。在CaC-Net中，一组上下文自适应卷积核以参数高效的方式从全局上下文信息中预测得到。当用于与语义特征图进行卷积时，所预测的卷积核可生成捕获全局与局部上下文信息的空间变化特征加权因子。综合实验结果表明，我们的CaC-Net在三个公开数据集PASCAL Context、PASCAL VOC 2012和ADE20K上取得了优越的分割性能。
引用
@article{arxiv.2004.08222,
title = {Learning to Predict Context-adaptive Convolution for Semantic Segmentation},
author = {Jianbo Liu and Junjun He and Jimmy S. Ren and Yu Qiao and Hongsheng Li},
journal= {arXiv preprint arXiv:2004.08222},
year = {2020}
}
备注
Accepted in ECCV 2020