目录
Hierarchical multi-scale attention
Scaling Wide Residual Networks for Panoptic Segmentation
总结近年来常用的经典语义分割网络结构,主要以图文形式展现,欢迎评论,或者在评论中留下详细讲解的链接,博文持续更新....
2018
deeplabv3+
博客资源:https://www.jianshu.com/p/755b001bfe38
code。采用空洞卷积构造ASPP模块,一般ASPP模型在1/16的特征图上进行,low-level Features在1/4的特征图。
2019
HRNet
博客资源:https://blog.csdn.net/gefeng1209/article/details/93142916
对于语义分割,将各个尺度的特征图合并。如下图所示红框所示。利用所有分辨率的特征图,对低分辨率特征图上采样后与高分辨率特征图拼接,经过1*1卷积,softmax层生成分割预测图
2020
HMANet
Hybrid Multiple Attention Network for Semantic Segmentation in Aerial Images
在ISPRS Vaihingen和Potsdam数据集上,达到了SOTA。采用混合注意力机制的策略
Hierarchical multi-scale attention
在cityspace数据集上的排名如下:
网络结构如下图所示,Attn为Multi-scale attention,预测相邻两尺度之间对应像素的权重关系。
结构说明如下图所示。(偷个懒,不做翻译了^_^)
Scaling Wide Residual Networks for Panoptic Segmentation
在WideRNet上搜索合适的网络参数,权衡速度和精度。网络用SWideRNet(w1, w2, e)表示,结构如下图所示。
SE和SAC
实验