《Context Encoding for Semantic Segmentation》
CVPR 2018
Abstract:最近的工作已经在利用全卷积网络(FCN)框架通过使用扩张/Atrous 卷积,利用多尺度特征和细化边界来提高用于像素标记的空间分辨率方面取得重大进展。在本文中,我们通过引入上下文编码模块来探索全局上下文信息在语义分割中的影响,上下文编码模块捕获场景的语义上下文并选择性地突出显示与类相关的特征图。所提出的上下文编码模块显著改善了语义分割结果,并且在FCN上仅有边际额外计算成本。我们的方法在PASCAL-Context上获得了51.7%的最新成果,在PASCAL VOC 2012上获得了85.9%的mIoU。我们的单一模型在ADE20K测试集上取得了0.5567的最终成绩,超过了COCO 2017冠军此外,我们还探讨了上下文编码模块如何改进CIFAR-10数据集上图像分类的相对浅层网络的特征表示。我们的14层网络已经实现了3.45%的错误率,这与具有10倍以上层数的最先进方法相当。完整系统的源代码是公开可用的。