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。
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。