多尺度特征融合：学习更好的语义分割用于坑洼道路检测

文章题目：MULTI-SCALE FEATURE FUSION: LEARNING BETTER SEMANTIC SEGMENTATION FOR ROAD POTHOLE DETECTION

论文提交时间：2021年12月24日

代码：未公布

文章链接：https://arxiv.org/abs/2112.13082

摘要：它首先使用卷积神经网络从输入图像中提取视觉特征。然后通道注意力模块重新加权通道特征以增强不同特征图的一致性。随后，我们采用了一个多孔空间金字塔池化模块（ASPP）（由串联的多孔卷积组成，具有渐进的扩张率）来整合空间上下文信息。最后，使用我们提出的多尺度特征融合模块融合相邻层中的特征图。这进一步减少了不同特征通道层之间的语义差距。

整体结构：首先，我们使用预先训练的扩张Reset-101作为骨干CNN以提取视觉特征。随后在最后俩个block中替换扩张卷积的下采样操作，使最后输出的特征图是输入的八分之一。，俩个CAM模块去对通道权重进行重矫正，之后一个分支使用Deeplabv3中的ASPP在最后的特征图收集上下文信息，串联拼接。最后使用MSFFM进行低等级与高等级特征的融合。

MSFFM：基于空间注意力机制高效的融合不同尺度的特征图，N=H X W, 对Q进行转置与P相乘，经过sigmoid生成空间注意力图S，对高等级的特征进行空间重矫正。总之，我们利用矩阵乘法来衡量不同层特征图中像素的相关性。将这个模块应用在了最后两层。

通道注意力机制 ，将这个模块应用在了第四第五层。

实验结果