2018 CVPR之语义分割：CCNet: Criss-Cross Attention for Semantic Segmentation
CCNet: Criss-Cross Attention for Semantic Segmentation
简述：
目前，语义分割的主流方法多为以FCN为基础的网络，它们天生局限于局部接受域和短期上下文信息。由于语境信息的不足，这些限制对基于模糊语言的方法产生了很大的负面影响。随后的带有金字塔池模块的PSPNet来捕获上下文信息同样没有达到预期的效果。本文提出CCNet，利用当前的两个交叉关注模块，实现领先性能的分段基准，包括Cityscapes, ADE20K和MSCOCO。
问题or相关工作：
CCNet有明显的两个优势：1是计算量小，仅（H+W-1）元素
2递归方式用CCNet，对一个像素捕捉到全局的contextual information
模型：
CCNet框架解读：照片输入进网络后，先选用ResNet-101作为backbone，backbone最后两个stage的stride改为1，同时用洞卷积扩大感受野，得到的特征图X是原图的1/8；随后经过1×1卷积降维，得到H；H经过一个criss-cross attention module得到H’，此时H’中的每个位置捕捉到和u在同一行或同一列的context information；H`经过一个相同结构，相同参数的CC module，得到H’’，在H’’中的每个位置，捕捉的是全局性的context information；最后将X与H’’级联，经过分割层得出结果。
其中criss-cross module结构如下：
其中分为两个主要的部分，一个是Affinity，一个是Aggregation
其中，Affinity的表达式及其具体具体操作如下：
Aggregation的表达式及其具体具体操作如下：
经过一个criss-cross module，结果sparse（稀疏）。但连续经过两个criss-cross module，结果dense，下图中由左上点到右下点需要两步，就解释了其原理。
实验：
用不同的模型在COCO等数据集上进行测试，可以看出CCNet有明显的优势。
下图的实例分析中，白色圆圈来表示那些容易被错误分类的具有挑战性的区域。
下图中间两幅是RCCA中R = 1、R = 2时的像素级注意图（pixel-wise attention maps）
2018 CVPR之语义分割：CCNet: Criss-Cross Attention for Semantic Segmentation相关推荐
- 【语义分割】CVPR2021_Rethinking BiSeNet For Real-time Semantic Segmentation
文章目录 一.背景 二.动机 三.方法 3.1 Design of Encoding Network 3.2 Decoder 四.实验 4.1 消融实验 4.2 和 SOTA 方法对比 Paper: ...
- ECCV2020语义分割——Self-Prediction for Joint Instance and Semantic Segmentation of Point Clouds
Self-Prediction for Joint Instance and Semantic Segmentation of Point Clouds Abstract (一) Introducti ...
- 语义分割--Label Refinement Network for Coarse-to-Fine Semantic Segmentation
Label Refinement Network for Coarse-to-Fine Semantic Segmentation https://www.arxiv.org/abs/1703.005 ...
- 【语义分割】Fully Attentional Network for Semantic Segmentation
文章目录 一.背景和动机 二.方法 三.效果 本文收录于 AAAI2022 一.背景和动机 语义分割中,non-local (NL)的方法起到了很好了捕捉 long-range 信息的作用,大致可分为 ...
- 【语义分割】DUC -- Understand Convolution for Semantic Segmentation
参考:Understand Convolution for Semantic Segmentation
- 多篇开源CVPR 2020 语义分割论文
多篇开源CVPR 2020 语义分割论文 前言 DynamicRouting:针对语义分割的动态路径选择网络 Learning Dynamic Routing for Semantic Segment ...
- CCNet: Criss-Cross Attention for Semantic Segmentation论文读书笔记
CCNet: Criss-Cross Attention for Semantic Segmentation读书笔记 Criss-Cross Network(CCNet): 作用: 用来获得上下文信息 ...
- enet分割_论文阅读 | CVPR 2016 | 语义分割论文: ENet
论文源址:https://arxiv.org/abs/1606.02147 tensorflow github: https://github.com/kwotsin/TensorFlow-ENet ...
- 【语义分割】DANet Dual Attention Network for Scene Segmentation
DANet(Dual Attention Network for Scene Segmentation)在语义分割领域多个数据集上取得了STOA的结果,值得大家关注. [废话两段] 由于之前没跑过语义 ...
- 语义分割--Efficient Deep Models for Monocular Road Segmentation
Efficient Deep Models for Monocular Road Segmentation code: https://lmb.informatik.uni-freiburg.de/P ...
最新文章
- perl编程（基本语法 数据 类型）
- 信息增益有负值吗_一个自动化设备的信息化改造项目，谈谈自动化工程师转型之路—IT融合OT...
- 使用命令将单个java文件打包为jar
- IBM向客户发放了一批“染毒”的U盘，现紧急建议物理销毁
- web.config 中SessionState的配置 [转]
- 3.C#基础之基本概念（完成）
- 清除Pycharm设置的方法
- css scale 元素不放大,列元素上的CSS 3动画“transform：scale”对chrome不起作用
- 32位、64汇编区别
- 和get redis_Springboot2连接redis哨兵模式
- 深度学习花书- 4.3 基于梯度的优化方法
- 人工智能 之 机器学习常用算法总结 及 各个常用分类算法精确率对比
- matlab仿真光学拍,用matlab研究光学拍
- freyja对分库分表设计绝对是最强大的
- 水调歌头.明月几时有 小儿拼音版
- c语言tc2.0编译器下载,c语言编译器|c语言编译器(wintc)_绿茶手机网
- 关于Win10资源管理器总是崩溃的问题解决方案
- java 扫描仪_Java调用扫描仪2
- 网络运维网管解决方案
- 如何在Word中的项目符号列表中自定义项目符号