标签:提取 BiSeNet 特征 语义 实时 细节 channel 分支
- 主要思想:在语义分割任务中,低阶的细节特征和高阶的语义特征一样重要,但当下的方法为了取得更快的推理速度,往往牺牲掉了低阶特征,从而导致精度的严重下降。因此作者提出了一个由两条分支组成的网络架构,分别是细节分支和语义分支。细节分支中特征图的channel数较少,而分辨率较高,有利于提取图像上的边缘、角点等细节信息;语义分支中特征图的channel数较多,而分辨率较低,有利于提取高层的语义特征。最后再通过作者设计的Guided Aggregation Layer对两者所提取的特征进行聚合。
- 网络结构:
- Detail Branch:包涵 3 个 stages,每个 stage 都是由一个卷积层、一个 BN 层和一个激活函数组成;每个卷积层的 stride 都为 2,最终提取到的特征图的尺寸为原始输入的 1/8 .经过实验中对特征图的可视化可以发现,该分支会倾向于提取出图片上物体的边缘和角点特征。
- Semantic Branch:语义分支中与细节分支所对应的特征图的channel数均是细节分支中channel数的 1 / λ,且应用了全局平均池化来获得更大的感受野,更好的提取到全局的信息。该分支可以替换为任意的轻量卷积模型。
- Aggregation Layer:将上述两个分支所提取出的特征进行聚合。
标签:提取,BiSeNet,特征,语义,实时,细节,channel,分支 来源: https://blog.csdn.net/FANFANHEBAOER/article/details/122032581
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。