https://arxiv.org/abs/2011.03308
基于图的卷积模型（如非局部块）可以有效地增强卷积神经网络的上下文建模能力。然而，它的像素计算开销是禁止的，这使得它不适合高分辨率图像。在本文中，我们探讨了上下文图推理的效率，并提出了一个新的框架，称为挤压推理。我们不需要在空间地图上传播信息，而是先学习如何将输入特征压缩成信道全局向量，然后在单个矢量内进行推理，从而大大降低了计算成本。具体来说，我们在向量中构建节点图，其中每个节点代表一个抽象的语义概念。同一语义范畴内的细化特征具有一致性，有利于后续任务的实现。我们证明我们的方法可以模块化为一个端到端的训练块，并且可以很容易地插入到现有的网络中。尽管它的简单性和轻量级，我们的策略允许我们建立一个最先进的语义分割，并在强大的，最先进的基础上，在各种其他场景理解任务，包括对象检测，实例分割和全景分割方面显着改进。代码将被提供，以促进任何进一步的研究
网友评论