用于语义分割的树状结构克罗内克卷积网络
计算机视觉与模式识别
2018-12-18 v2
摘要
大多数现有语义分割方法采用空洞卷积来扩大滤波器的感受野，但忽略了局部信息。为解决此问题，我们首先提出一种新颖的克罗内克卷积，它采用克罗内克积来扩展标准卷积核，以考虑被空洞卷积忽略的局部特征。因此，它能在不引入额外参数的情况下同时捕获局部信息并扩大滤波器的感受野。其次，我们提出树状特征聚合（TFA）模块，它遵循递归规则进行扩展并形成层次化结构。因此，它能自然地学习多尺度目标的表示，并在复杂场景中编码层次化上下文信息。最后，我们设计了树状结构克罗内克卷积网络（TKCN），其采用了克罗内克卷积与 TFA 模块。在 PASCAL VOC 2012、PASCAL-Context 和 Cityscapes 三个数据集上的大量实验验证了我们所提方法的有效性。我们将代码与训练好的模型公开于 https://github.com/wutianyiRosun/TKCN。
引用
@article{arxiv.1812.04945,
title = {Tree-structured Kronecker Convolutional Network for Semantic Segmentation},
author = {Tianyi Wu and Sheng Tang and Rui Zhang and Juan Cao and Jintao Li},
journal= {arXiv preprint arXiv:1812.04945},
year = {2018}
}
备注
Code: https://github.com/wutianyiRosun/TKCN