论文标题：CSRNet: Cascaded Selective Resolution Network for Real-time Semantic Segmentation

论文链接：https://arxiv.org/abs/2106.04400

作者单位：香港城市大学

通过多上下文信息嵌入和增强的特征聚合来提高实时分割的性能，表现SOTA！性能优于SFNet、DSANet等网络。

由于在许多实际应用中不断增长的需求，例如自动驾驶汽车、机器人等，实时语义分割受到了相当大的关注。现有的实时分割方法通常利用特征融合来提高分割精度。然而，他们未能充分考虑不同分辨率下的特征信息，并且网络的感受野相对有限，从而影响了性能。为了解决这个问题，我们提出了一种轻量级级联选择分辨率网络（CSRNet），通过多上下文信息嵌入和增强的特征聚合来提高实时分割的性能。所提出的网络构建了一个三阶段分割系统，它整合了从低分辨率到高分辨率的特征信息，并逐步实现了特征细化。CSRNet 包含两个关键模块：Shorted Pyramid Fusion Module (SPFM) 和 Selective Resolution Module (SRM)。 SPFM 是一个计算效率高的模块，用于结合全局上下文信息并显著扩大每个阶段的感受野。 SRM 旨在将多分辨率特征图与各种感受野融合，在特征图上分配软通道注意力，并有助于解决由多尺度物体引起的问题。在两个著名数据集上的综合实验表明，所提出的 CSRNet 有效地提高了实时分割的性能。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除