CGNet: A Light-weight Context Guided Network for Semantic Segmentation
最编程
2024-02-21 20:00:57
...
1) CG块学习局部特征和周围环境的联合特征。因此，CG块从自身及其空间相关对象中学习每个对象的表示，其中包含丰富的共现关系。
2) CG块使用全局上下文来改善联合特征。全局上下文应用于通道明确地重新加权联合特征，以便强调有用的组成部分并抑制无用的组成部分。
3) CG块在CGNet的所有阶段使用，从下到上。因此，CGNet从语义层面（来自深层）和空间层面（来自浅层）捕获上下文信息，与现有方法相比，这更适用于语义分割。
4) 在所有阶段捕获上下文特征的结构更有效，当前的主流分割网络具有五个下采样阶段，其学习过于抽象的对象特征并且缺少大量的判别空间信息，导致过度平滑的分割边界。不同的是，CGNet只有三个下采样阶段，这有助于保留空间信息。
图2.语义分段的替代架构。CM：上下文模块，CF：上下文特征。 （a）FCN形状模型遵循图像分类的设计原则，忽略上下文信息。 （b）FCN-CM模型仅通过在编码阶段之后执行上下文模块从语义级别捕获上下文信息。 （c）提出的CGNet从语义层面和空间层面捕捉所有阶段的背景特征。
1）们分析了语义分割的固有属性，并提出了CG块，它学习了局部特征和周围环境的联合特征，并进一步改善了与全局背景的联合特征。
2）我们设计了CGNet，它可以有效地应用CG块，并在所有阶段有效地捕获上下文信息。CGNet的骨干特别适合提高分割精度。
3）我们精心设计CGNet架构，以减少参数数量并节省内存占用。在相同数量的参数下，建议的CGNet显着优于现有的分割网络。