LeMoRe：学习更多细节以实现轻量级语义分割
计算机视觉与模式识别
2025-05-30 v1
摘要
轻量级语义分割对许多下游视觉任务至关重要。遗憾的是，由于特征建模的复杂性，现有方法往往难以平衡效率与性能。许多现有方法受限于刚性架构和隐式表示学习，通常表现为参数量大的设计以及对计算密集型 Vision Transformer 框架的依赖。在本工作中，我们通过协同显式与隐式建模来平衡计算效率与表示保真度，引入了一种高效范式。我们的方法将明确定义的笛卡尔方向与显式建模的视图及隐式推断的中间表示相结合，通过嵌套注意力机制高效捕获全局依赖关系。在包括 ADE20K、CityScapes、Pascal Context 和 COCO-Stuff 在内的具有挑战性的数据集上的大量实验表明，LeMoRe 在性能与效率之间取得了有效的平衡。
引用
@article{arxiv.2505.23093,
title = {LeMoRe: Learn More Details for Lightweight Semantic Segmentation},
author = {Mian Muhammad Naeem Abid and Nancy Mehta and Zongwei Wu and Radu Timofte},
journal= {arXiv preprint arXiv:2505.23093},
year = {2025}
}
备注
Accepted at IEEE ICIP 2025