语义分割之CGNet

 

论文：CGNet: A Light-weight Context Guided Network for Semantic Segmentation

Github: https://github.com/wutianyiRosun/CGNet

 

论文设计了Context Guided (CG) block，并且基于该block提出了Context Guided Network (CGNet) ，在Cityscapes数据集取得了 64.8% mean IoU并且少于 0.5 M 的参数量。

 

主要贡献：

1. 在语义分割重，CGNet同时学习局部特征和全局特征。
2. CG block可以很好的获得上下文纹理特征。
3. 在有限的参数量下，CGNet超越了ENet和ESPNet。

三种语义分割的网络设计

1. 全卷积FCN结构，忽略了上下文信息。
2. Decode –Encode类型的网络结构，只包含了解码后的上下文信息。
3. 本文提出的CGNet，包含了像素级别和分割级别的上下文纹理信息。

CG block:

输入图像首先经过1*1卷积处理，然后分别经过3*3的标准卷积floc和3*3的膨胀卷积fsur处理，分别得到局部特征和环绕局部特征。再特征concat融合后，经过BN+prelu，得到融合后的特征。然后经过一个通道维度的全局特征处理fglo，得到最终的结果。

 

网络结构：

CGNet的主要设计思想是，deep and thin，主要包含51层，3个stage，每一个stage的通道数分别为32，64，128。输入图像大小为680*680*3，下采样3次，输出图像大小为85*85。

环绕局部特征有效性验证：

全局特征有效性验证：

输入注射算法的有效性验证：

输入注射算法，是指的给stage2,3额外输入原始图像的下采样1/4和1/8的图像。

Relu和Prelu对比：

M,N个数对比：

实验结果：

总结：

1. 上下文信息，或者感受野信息对于分割具有很大的影响，局部信息+全局信息有助于提高分割准确性。
2. CGNet是一个快速的语义分割网络。