Context Prior for Scene Segmentation（CVPR2020）上下文优先的语义分割

Abstract：
研究上下文语义的依赖性为得到精准的分割结果，但大多数研究都是区分不同types的语义依赖性，这会损失scene understanding。

本文设计了Context Prior Network（CPNet）主要是用于区分intra-class和inter-class，提升语义依赖性。CPNet是在backbone上添加CP Layers with Affinity Loss。

Module

Context Prior Layers是feature map通过Aggregation Module（fully separable conv用于聚合spatial 信息），在经过Affinity Loss监督训练。
1.Affinity Loss

先将ground truth L变成smaller ground truth L1（HW），再把L1变成（HW*C）C是类别得到L2，然后A=L2xL2的转置，得到A Ideal Affinity Map（NxN）。
2.Context Prior Layers

这部主要是如何形成P的。见module图
3. Aggregation Module


主loss+辅助loss+Affinity loss

个人理解：是将feature map经过Aggregatation Module 聚合spatial information，产生的feature map经过变化得到Context prior map （P），P受到ground truth下采样到相同尺寸的smaller ground truth的Affinity Loss的监督。形成的P就是intra-class，（1-P）就是inter-class，分别与聚合后的feature map相乘，在和原feature map进行concat，然后反卷积得出结果。
本文主要是对intra-class和inter-class进行工作，提升scene understanding。

#本文主要简述（说的不详细），详细了解请看大佬的原文。如侵犯他人权益，请联系本人，本人自行删帖。