本周精选共读论文《计算机视觉图像分割》六篇

关注文章公众号 回复"SFFAI23论文"获取本主题精选论文

图像语义分割是目前计算机视觉领域要解决的一个核心问题，属于视觉中场景理解的研究范畴之一，近期受到了越来越多的研究者的关注，现实中许多应用程序需要精确和高效的分割机制：自主驾驶，室内导航，甚至虚拟或增强现实系统等等。在深度学习技术的推动下，各种各样的深度图像分割模型被提出，一些公开的数据集不断地被新模型刷榜。今天的两位主讲嘉宾为大家精选了图像分割领域的经典与前沿最新文章，带你更好的领略图像分割的风采。

你可以仔细阅读，带着问题来现场交流哦。

1

推荐理由：长距离关联信息对语义分割至关重要。NUS这篇发表在NeurIPS-2018的文章提出一个高效的模块，用来汇集和传播全局信息。其计算量和内存需求远低于nonlocal，且能带来明显的性能增益。

推荐理由来自：李夏

2

推荐理由：Yunpeng Chen又一力作，发表在CVPR-2019。为深度网络引入通用GCN模块，从而用五个1*1卷积实现全局推理。较之同为全局推理的self-attention，GCN具有更好的解释性。

推荐理由来自：李夏

3

推荐理由：斯坦福大学李飞飞组新文。其在图像语义分割问题上超越了很多业内最佳模型，甚至可以在未经过预训练的情况下达到预训练模型的表现。Auto-DeepLab 开发出与分层架构搜索空间完全匹配的离散架构的连续松弛，显著提高架构搜索的效率，降低算力需求。

推荐理由来自：李夏

4

推荐理由：PSPnet提出了PPM(Pyramid Pooling Module)来整合不同区域的context进而获取全局的context信息。其中PPM包含4种不同尺度的pooling 操作。

推荐理由来自：李祥泰

5

推荐理由：Deeplabv3提出了ASPP模块来通过不同大小的带孔卷积进而获得不同感受野的context 信息, Deeplabv3+在v3的基础上增加了decoder端来融合low-level特征，进而进一步地提升性能。

推荐理由来自：李祥泰

6

推荐理由：DAnet(OCnet,CCnet): Dual Attention Network for Scene Segmentation(CVPR 2019)DAnet应用non-local的思路分别计算spatial-wise 和channel-wise的similarity attention map进而解决pixel和pixel之间的long range dependency.类似的工作还有OCnet和CCnet.

推荐理由来自：李祥泰