语义分割论文:FastFCN:Rethinking Dilated Convolution in the Backbone for Semantic Segmentation(arxiv2019)
FastFCN:
FastFCN:Rethinking Dilated Convolution in the Backbone for Semantic Segmentation (arxiv2019)
.11816.pdf
[PyTorch]:
本文提出了一种计算效率高的联合上采样模块 JPU(Joint Pyramid Upsampling),以替代主干网络中耗时又耗内存时间和内存的扩张卷积(dilated convolutions)。
特点:
- 本文将Dilated Convolution和Stride Convolution分别分解为(a) split-conv-merge (b) conv-reduce 子步骤,见图 3 。
- 基于 1),作者设计了一种上采样模块JPU,
其中,
a) 将来自Conv3、Conv4和Conv5的卷积降维输出;
b) 将(a)中生成的feature map上采样后concatenate,接着使用四个膨胀率(dilation rates)分别为1、2、4和8的空洞卷积分别提取特征并concatenate;
c) 将(b)提出的特征映射到最后的预测层。
- 作者提出的框架概览,见图 2。该方法采用了原版 FCN 作为主干网络。在主干之后,研究人员提出了新型上采样模块 JPU,该采样模块将最后三个特征图作为输入并生成了高分辨率特征图。然后使用多尺度/全局上下文模块来生成最终标签图。
- 速度是EncNet 的3倍,接近FPN,性能提升不是很明显。
语义分割论文:FastFCN:Rethinking Dilated Convolution in the Backbone for Semantic Segmentation(arxiv2019)
FastFCN:
FastFCN:Rethinking Dilated Convolution in the Backbone for Semantic Segmentation (arxiv2019)
.11816.pdf
[PyTorch]:
本文提出了一种计算效率高的联合上采样模块 JPU(Joint Pyramid Upsampling),以替代主干网络中耗时又耗内存时间和内存的扩张卷积(dilated convolutions)。
特点:
- 本文将Dilated Convolution和Stride Convolution分别分解为(a) split-conv-merge (b) conv-reduce 子步骤,见图 3 。
- 基于 1),作者设计了一种上采样模块JPU,
其中,
a) 将来自Conv3、Conv4和Conv5的卷积降维输出;
b) 将(a)中生成的feature map上采样后concatenate,接着使用四个膨胀率(dilation rates)分别为1、2、4和8的空洞卷积分别提取特征并concatenate;
c) 将(b)提出的特征映射到最后的预测层。
- 作者提出的框架概览,见图 2。该方法采用了原版 FCN 作为主干网络。在主干之后,研究人员提出了新型上采样模块 JPU,该采样模块将最后三个特征图作为输入并生成了高分辨率特征图。然后使用多尺度/全局上下文模块来生成最终标签图。
- 速度是EncNet 的3倍,接近FPN,性能提升不是很明显。