人像分割论文SINet: Extreme Lightweight Portrait Segmentation Networks及其PyTorch实现

人像分割论文SINet: Extreme Lightweight Portrait Segmentation Networks及其PyTorch实现

SINet: Extreme Lightweight Portrait Segmentation Networks with Spatial Squeeze Modules and Information Blocking Decoder PDF: ​​​​​Information Blocking Decoder(信息块解码)

编码–解码结构广泛应用于语义分割任务中. 编码器从输入图像中提取语义特征,解码器恢复原始分辨率和局部细节; 但是编码–解码结构中经常采用的高分辨率特征联通会对细节恢复带来干扰; 于是作者在高分辨率和低分辨率融合时加入attention机制,即通过计算低分辨率的置信度,选择性地融合二者特征.

结构:

2 Spatial Squeeze module (空间压缩模块)

a. 选择average pooling 而不是dilated convolution增大感受野,是因为后者会带来较大时延以及带来的栅格效应(grid effects);

**b.**多分支结构对GPU计算不友好,因此压缩特征图减少时延;

3 SINet(网络结构)

使用 带有ds-conv 卷积的 Squeeze-and-Excite 模块,而不是步长为2的S2-module下采样特征图,因为后者更慢;

PyTorch代码:

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。