本文介绍了EncNet结构在语义分割中的应用，其关键创新在于context encoding module和SE-loss。模块在encoder-decoder的高层引入编码层，利用残差学习与字典向量交互。SE-loss通过全图分类误差增强小物体的表示，优化了梯度传播。实验表明，结合atrous conv和SE-loss，EncNet在性能上有显著提升。
极简笔记 Context Encoding for Semantic Segmentation
论文地址：https://arxiv.org/abs/1803.08904
文章核心贡献提出EncNet结构用于语义分割。其中主要有两点改进，在encoder-decoder结构最深层处加入context encoding module，同时引入SE-loss计算全图分类误差。
context encoding module首先在top layer引入encoding layer。这个是一作之前的一篇文章，记输入feature map为 C×W×H C × W × H ，记 N=W×H N = W × H 为输入向量 x x 个数。现在有K个同样是C维的字典向量 ，将N个输入向量和这K个字典向量算残差 r
最低0.47元/天 解锁文章
912
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
