1.问题提出?
- 所有的类内关系都是有益的吗?
- 如何利用不同类别的上下文关系?
2.摘要
最近的工作已经广泛地探索了上下文依赖(contextual dependencies)关系,以实现更准确的分割结果。然而,大多数方法很少区分不同类型的上下文依赖关系,这可能会污染对场景的理解(pollute the scene understanding)。在这项工作中,我们直接监督特征聚合,以清楚地区分类内和类间的上下文。具体来说,我们开发了一个上下文先验与监督的亲和损失( Afinity Loss)。给定一个输入图像和相应的GT,亲和损失构建了一个理想的亲和图( affifinity map)来监督先验上下文的学习。学习到的先验上下文提取属于同一类别的像素,而相反的先验则关注不同类的像素。通过嵌入到传统的深度CNN中,所提出的上下文优先层可以选择性地捕获类内和类间的上下文依赖关系,从而产生鲁棒的特征表示。为了验证其有效性,我们设计了一个有效的上下文先验网络(CPNet)。大量的定量和定性评价表明,所提出的模型的性能优于最先进的语义分割方法。
3.网络框架
4.损失函数