特征级融合_ECCV2020(oral) 实时语义分割之利用语义流对齐不同层次特征

Semantic Flow for Fast and Accurate Scene Parsing

https://arxiv.org/abs/2002.10120​arxiv.org

一 文章出发点

文章的出发点可以从下面一段话一窥究竟。

众所周知,语义分割为像素级分类任务,有的像素需要高阶的语义信息才能较好的识别,而有的像素比较依赖空间细节。所以现有实时深度语义分割基本都会融合多种不同分辨率的特征进行语义分割。那么怎么融合才能又快又好了,作者借鉴光流的思想,提出利用语义流来对齐不同层次的特征MAP。

e8ac4da4758fbb76f0dd04ac6635881e.png

二 怎么做

eb7e13accd7c131e36b490d2913f98cf.png

语义流怎么来

从上图看出,语义流就是两个不同层次特征简单拼接后经一个卷积层获取,典型的黑盒子模式。

有了语义流,实际上某种程度上就有了高分辨率特征降采样到低分辨率语义特征时的采样索引,所以作者根据这个索引 △L-1,可以将高分辨率特征每个(整数坐标)像素点(PL-1)对应到低分辨率的一个(小数坐标)像素点(PL)。

然后根据这个小数坐标,找到4个最近的整数邻居进行双线性插值即可将低分辨率特征与高分辨率特征进行语义对齐。

c31f8af78a78ac99300d876e961957ff.png
  • 1
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值