金字塔场景解析网络（Pyramid Scene Parsing Network ）

引言

基于语义分割的场景解析是计算机视觉中的基本主题。目标是为图像中的每个像素分配一个类别标签。场景解析提供了对场景的完整理解。它预测每个元素的标签、位置和形状。

场景解析的难度与场景和标签的多样性密切相关。

最先进的场景解析框架主要基于全卷积网络 (FCN) [26]。基于深度卷积神经网络 (CNN) 的方法提高了对对象的动态理解。

对于准确的场景感知，知识图依赖于场景上下文的先验信息。我们发现，当前基于FCN的模型的主要问题是缺乏利用全局场景类别线索的合适策略。对于典型的复杂场景理解，以前为了获得全局图像级别的特征，空间金字塔池 [18] 被广泛使用，其中空间统计为整体场景解释提供了良好的描述符。空间金字塔池网络 [12] 进一步增强了能力。 

与这些方法不同，为了结合合适的全局特征，我们提出了金字塔场景解析网络 (PSPNet)。除了用于像素预测的传统扩张型FCN [3,40] 之外，我们还将像素级特征扩展到专门设计的全局金字塔池。局部和全局线索共同使最终预测更加可靠。我们还提出了一种深度监督损失的优化策略。