SCG-Net：用于语义分割的自构建图神经网络
计算机视觉与模式识别
2021-01-05 v2
摘要
通过利用长程像素-像素依赖关系来捕获全局上下文表示已被证明可改善语义分割性能。然而，如何高效地做到这一点仍是一个开放问题，因为当前利用注意力机制或极深模型来增大模型感受野的方法，会导致模型复杂且内存消耗大。受近期图神经网络工作的启发，我们提出了自构建图（SCG）模块，该模块直接从图像中学习长程依赖图，并利用它高效地传播上下文信息以改善语义分割。该模块通过一种新颖的自适应对角增强方法以及一个由定制图重构项和 Kullback-Leibler 散度正则项组成的变分下界进行优化。当嵌入神经网络（SCG-Net）时，语义分割以端到端方式执行，在公开可用的 ISPRS Potsdam 和 Vaihingen 数据集上取得了具有竞争力的性能（平均 F1 分数分别为 92.0% 和 89.8%），且相较于相关的纯卷积神经网络（CNN）基模型，参数更少、计算成本更低。
引用
@article{arxiv.2009.01599,
title = {SCG-Net: Self-Constructing Graph Neural Networks for Semantic Segmentation},
author = {Qinghui Liu and Michael Kampffmeyer and Robert Jenssen and Arnt-Børre Salberg},
journal= {arXiv preprint arXiv:2009.01599},
year = {2021}
}
备注
11 pages, 5 figs. code will be open soon