[论文阅读]Adaptive Pyramid Context Network for Semantic Segmentation

前言

看这个名字我就觉得是在PSPNet/DeepLabV3 上采取了attention，果然是…

Introduction

CNN中卷积核有着受限的感受野,同时即使有着更大的感受野,卷积核也通常只关心中心的部位而忽略了边界的信息。

作者提出了一个问题:What are the optimal contexts for sementic segmentation

然后探究上下文向量应该表现出的理想特性:

• 多尺度 物体通常有不同尺寸和位置

  方法

  • 图像金字塔

  • 在Encoder - Decoder 结构之中 高等级的特征和低等级的特征相融合

  • PSPNet的PPM(金字塔池化)和DeepLab的ASPP(金字塔空洞卷积)

  问题: 平等的对待所有的图像

• 自适应 不是所有的区域对于label标记的贡献都是相同的,实际中,相关的区域距离可能很近也可能很远

• 全局引导局部 通过加权的方式聚合特征

  • PSPNet的PPM, ParseNet的GAP,但是没有自适应

过程

(在PSPNet的基础上改了改?)

我们关心在这个网络的核心模块ACM,ACM给PSPnet的自适应池化层加上了Attention

具体的步骤如下

特征图被分为了两个分支

• 第一个分支

  • 通过一个$1\times 1\times 512$的卷积,以此来减小特征图的通道数量,得到特征图$x$
  • 然后通过全局平均池化,得到一个有全局信息的512维的向量$g(x)$
  • 然后将$g(x)$与$x$相加,相当于给每一个像素加上了当前通道的全局信息,得到新的特征图 $p$
  • 将 $p$通过一个$1\times 1\times \ast s^2$的卷积,然后reshape成为一个$hw\times s^2$的矩阵$A$,$a_{ij}$为亲和因子

• 第二个分支

  • 通过一个自适应池化层将原特征图变为$s\times s$大小

  • 通过一个$1\times 1\times 512$的卷积调整通道数

  • 将调整后的特征图reshape成为$s^2\times 512$的矩阵$B$以满足矩阵相乘的原理

将$A\ast B$的结果作为新的特征图,新的特征图相当于融合了全局信息的特征图

然后还要加上最早的特征图$x$,这样得到了最后的特征图

(直接把1*1卷积合并在一起感觉更好…)

实验设计

• 设计了相同的bacebone之下的不同自适应池化层的大小比较

• 设计了有无ACM模块的比较

• 设计了有无深监督,预训练,水平翻转,多尺度(随机不同大小的图片输入)评价的比较

自己的一点小小分析

矩阵乘积的attention 和 直接加权的attention区别?