Decoders Matter for Semantic Segmentation

最新推荐文章于 2023-05-13 15:19:05 发布

YOKE_healer

最新推荐文章于 2023-05-13 15:19:05 发布

阅读量464

点赞数

本文链接：https://blog.csdn.net/qq_34851676/article/details/90047336

版权

本文探讨了语义分割中解码器的重要性，指出双线性上采样方法的局限性，并提出数据依赖的上采样（DUpsampling）策略。DUpsampling利用像素间的相关性改进上采样过程，通过压缩和恢复标签图像来优化损失计算。解码器的设计对于提高分割任务的性能具有关键作用。

摘要由CSDN通过智能技术生成

Decoders Matter for Semantic Segmentation.
这篇文章收录在CVPR2019。
由标题就知道：在语义分割中decoders很重要。decoder最主要的操作是上采样upsample，一般采取双线性插值（bilinear upsampling），但是作者认为双线性插值过于简单不是最优的方法，重点强调双线性插值 data-independent，双线性上采样不考虑每个像素的预测之间的相关性，因为它是数据独立的。于是提出了data-dependent upsampling (DUpsampling):

在这里插入图片描述
特征图每个点向量1×C，与CxN的矩阵W进行矩阵相乘，得到1xN这个向量，再将这1xN的向量reshape为2x2xN/4，就相当于把图上采样为原来的两倍。那么关键就在于这个矩阵W怎么得。
作者认为分割的label图像并不是独立同分布的，其存在结构信息，所以label Y可以几乎没有损失地进行压缩，或者说降维。这句话我不是很懂。。于是作者将labelY进行压缩，然后用原本特征图直接与其计算loss。关键是W怎么得到的：
在这里插入图片描述