文献解读|CVPR2019|APCNet:Adaptive Pyramid Context Network for Semantic Segmentation

最新推荐文章于 2023-07-17 10:27:30 发布

Akita·wang

最新推荐文章于 2023-07-17 10:27:30 发布

阅读量368

点赞数

分类专栏：文献解析paper 文章标签：计算机视觉机器学习深度学习人工智能

本文链接：https://blog.csdn.net/qq_19168521/article/details/114669096

版权

APCNet是为语义分割提出的新型网络，利用自适应金字塔上下文模块（ACM）结合全局和局部特征，实现了多尺度、自适应和全局引导的局部亲和力。在PASCAL VOC 2012、Pascal-Context、ADE20K数据集上，APCNet达到SOTA性能，尤其在PASCAL VOC 2012上mIOU达到84.2%。

摘要由CSDN通过智能技术生成

title

论文地址：APCNet:Adaptive Pyramid Context Network for Semantic Segmentation

项目代码基于Pytorch，但尚未开源

背景

最近的研究表明结合上下文特征能够显著的提升深度语义分割模型性能。这些模型的差异仅仅在于在实际中它们构造上下文特征的方式不同。这篇文章首先介绍了语义分割任务中上下文特征的三个理想特性。作者发现尽管Global-guided Local Affinity（GLA）在构建上下文特征时起这重要作用，但是之前的研究者却往往忽略了这一点。基于此，作者提出用于语义分割的Adaptive pyramid context network,APCNet，ACPNet构造的主体是多个Adaptive Context Modules,ACMS。每个ACM利用全局图像表示作为指导估计每个区域的Affinity系数，然后计算这些上下文Affinity的上下文向量。
本文的实验在PASCAL VOC 2012、Pascal-Context、ADE20K数据集上完成。实验表明，APCNet在上述三个数据集中都取得了SOTA性能，其中在PASCAL VOC 2012测试集上class-level的mIOU为84.2%.

语义分割任务中上下文特征的三个特性：

Multi-