条带池化：重新思考场景解析中的空间池化
计算机视觉与模式识别
2020-03-31 v1
摘要
空间池化已被证明在捕获用于逐像素预测任务（如场景解析）的长程上下文信息方面高度有效。本文中，除通常具有NxN规则形状的传统空间池化外，我们通过引入一种称为条带池化的新池化策略来重新思考空间池化的形式，该策略考虑长而窄的核，即1xN或Nx1。基于条带池化，我们进一步通过以下方式研究空间池化架构设计：1) 引入新的条带池化模块使骨干网络高效建模长程依赖，2) 提出以多样空间池化为核心的新构建块，以及3) 系统比较所提条带池化与传统空间池化技术的性能。两种新颖的基于池化的设计均轻量，并可作为现有场景解析网络中的高效即插即用模块。在流行基准（如ADE20K和Cityscapes）上的大量实验表明，我们的简单方法建立了新的最优结果。代码发布于https://github.com/Andrew-Qibin/SPNet。
引用
@article{arxiv.2003.13328,
title = {Strip Pooling: Rethinking Spatial Pooling for Scene Parsing},
author = {Qibin Hou and Li Zhang and Ming-Ming Cheng and Jiashi Feng},
journal= {arXiv preprint arXiv:2003.13328},
year = {2020}
}
备注
Published as a CVPR2020 paper