SpaceMeshLab：用于语义分割的空间上下文记忆与网格空洞卷积共识
计算机视觉与模式识别
2021-11-16 v1
摘要
语义分割网络采用从图像分类网络迁移学习，这导致了空间上下文信息的缺失。为此，我们提出空间上下文记忆（SpaM），这是一个通过保留输入维度并与骨干网络持续互传其空间上下文与丰富语义信息的旁路分支。多尺度上下文信息对处理给定场景中不同大小和形状的目标物体至关重要。传统多尺度上下文方案通过多膨胀率或池化操作采用多个有效感受野，但常面临相对于目标像素的错位问题。为此，我们提出网格空洞卷积共识（MetroCon^2），其利用具有网格状分散膨胀率的卷积将多尺度方案引入细粒度多尺度目标上下文。SpaceMeshLab（ResNet-101 + SpaM + MetroCon^2）在 Cityscapes 测试集上达到 82.0% mIoU，在 Pascal-Context 验证集上达到 53.5% mIoU。
引用
@article{arxiv.2106.04025,
title = {SpaceMeshLab: Spatial Context Memoization and Meshgrid Atrous Convolution Consensus for Semantic Segmentation},
author = {Taehun Kim and Jinseong Kim and Daijin Kim},
journal= {arXiv preprint arXiv:2106.04025},
year = {2021}
}
备注
5 pages, 3 figures, 4 tables. To appear in the proceedings of the 28th IEEE International Conference on Image Processing (IEEE - ICIP), September 19-22, 2021, Anchorage, Alaska, USA