ting的博客

One-Shot Learning for SemanticSegmentation论文翻译。2017年佐治亚理工大学的团队发表在CVPR，这篇论文2017年首次提出小样本分割任务。

最近将注意力机制整合到分割网络中，通过强调更有信息量的特征，提高了它们的表征能力。然而，这些注意机制忽略了语义分割的隐式子任务，并受到卷积核的网格结构的约束。在本文中，我们提出了一种新的挤压和注意网络（SANet）架构，该架构利用一个有效的挤压-注意（SA）模块来解释分割的两个独特特征： i)像素组注意力和ii)像素级预测。具体来说，所提出的SA模块通过引入“注意力”卷积通道，将像素组注意力施加到传统的卷积上，从而有效地考虑了空间通道之间的相互依赖关系。

【论文翻译】：SegNet: A Deep ConvolutionalEncoder-Decoder Architecture for ImageSegmentation