基于反向注意力的语义分割
计算机视觉与模式识别
2017-07-21 v1
摘要
全卷积神经网络的最新发展使得语义分割的高效端到端学习成为可能。传统上，卷积分类器被训练学习标记语义对象的代表性语义特征。在这项工作中，我们提出了一种反向注意力网络（RAN）架构，该架构训练网络同时捕获相反概念（即与目标类不相关的内容）。RAN是一个三分支网络，同时执行直接、反向和反向注意力学习过程。大量实验证明了RAN在语义分割中的有效性。基于DeepLabv2-LargeFOV构建的RAN在具有挑战性的PASCAL-Context数据集上达到了最先进的mIoU分数（48.1%）。在PASCAL-VOC、Person-Part、NYUDv2和ADE20K数据集上也观察到了显著的性能提升。
引用
@article{arxiv.1707.06426,
title = {Semantic Segmentation with Reverse Attention},
author = {Qin Huang and Chunyang Xia and Chihao Wu and Siyang Li and Ye Wang and Yuhang Song and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:1707.06426},
year = {2017}
}
备注
accepted for oral presentation in BMVC 2017