语义分割经典论文:Context Encoding for Semantic Segmentation (CVPR2018)
2019-04-08 11:26
645 查看
版权声明:本文为博主原创文章,欢迎转载,转载请注明出处。 https://blog.csdn.net/shanglianlm/article/details/88879976
EncNet:
Context Encoding for Semantic Segmentation (CVPR2018)
https://arxiv.org/pdf/1803.08904.pdf
PyTorch: https://github.com/zhanghang1989/PyTorch-Encoding
EncNet通过引入了上下文编码模块(Context Encoding Module)来捕获全局上下文信息和突出与场景相关联的类别信息,这相当于加入场景的先验知识,类似于attention机制。
特点:
1)利用编码层捕获特征数据作为全局语义信息;
Encoding Layer:对前面网络提取出的丰富的特征使用全连接层FC进行编码,其中一个编码分支直接送给SE-loss,进行场景中出现类别的预测;另一个分支对每个类别预测加权的尺度因子,然后这个加权的尺度因子对前面提出的每个通道的类别进行加权,然后再进行后面的上采样,最终计算loss。
- 在encoder-decoder结构最深层处加入context encoding module;
Featuremap Attention:dense feature map经过一个encoding layer得到context embedding,然后通过FC得到一个classwise的score,作为权重。
- SE-loss计算全图分类误差;
Semantic Encoding loss:在编码层之上添加了一个带Sigmoid激活的FC层用于单独预测场景中出现的目标类别,并学习二进制交叉熵损失。不同于逐像素损失,SE loss 对于大小不同的目标有相同的贡献,这能够提升小目标的检测性能。
Context Encoding Network (EncNet)
- 由于语义编码模块与语义编码损失函数非常的轻量,所以在本文的网络的第三阶段与第四阶段分别加了两个图 3 的模块;
2)为了进一步的提升和规范上下文编码模块的训练,使用了单独的分离分支用于最小化SE-loss; - 在第3阶段的基础上构建另一个上下文编码模块,将SE-Loss最小化作为额外的正则化;
相关文章推荐
- 语义分割经典论文:FastFCN:Rethinking Dilated Convolution in the Backbone for Semantic Segmentation(arxiv2019)
- CVPR2018论文解析之《Fully Convolutional Adaptation Networks for Semantic Segmentation》(全卷积适配网络)
- CNN for Semantic Segmentation(语义分割,论文,代码,数据集,标注工具,blog)
- CNN for Semantic Segmentation(语义分割,论文,代码,数据集,标注工具,blog)
- CNN for Semantic Segmentation(语义分割,论文,代码,数据集,标注工具,blog)
- CNN for Semantic Segmentation(语义分割,论文,代码,数据集,标注工具,blog)
- 语义分割--Understand Convolution for Semantic Segmentation
- Learning to Adapt Structured Output Space for Semantic Segmentation——CVPR2018
- 语义分割--Efficient and Robust Deep Networks for Semantic Segmentation
- Fully Convolutional Networks for semantic Segmentation(深度学习经典论文翻译)
- 语义分割--Full-Resolution Residual Networks for Semantic Segmentation in Street Scenes
- 语义分割--Deep Dual Learning for Semantic Image Segmentation
- 深度对抗网络用于分割(语义分割)——Adversarial Learning for Semi-Supervised Semantic Segmentation
- 实时语义分割--ICNet for Real-Time Semantic Segmentation on High-Resolution Images
- 语义分割,ICNet for Real-Time Semantic Segmentation
- 【图像语义分割】Fully Convolutional Networks for Semantic Segmentation
- CV | Feature Space Optimization for Semantic Video Segmentation - 基于特征空间优化的视频语义分割
- 语义分割--Understanding Convolution for Semantic Segmentation
- 语义分割--Learning Object Interactions and Descriptions for Semantic Image Segmentation
- 语义分割--Label Refinement Network for Coarse-to-Fine Semantic Segmentation