【论文汇总】CVPR2020语义分割&医学图像分割paper汇总

语义分割&医学图像分割 segmentation@CVPR2020

CVPR2020语义分割和医学图像分割文章总结

---

---

前言

文章分为两个部分，分别为CVPR语义分割相关文章，和医学图像分割相关的文章，包括文章的title，code，abstract和methods。

---

语义分割

1.CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement

• code：https://github.com/hkchengrex/CascadePSP

  我们提出了一种无需使用任何高分辨率训练数据即可解决高分辨率分割问题的新颖方法。CascadePSP网络会在可能的情况下完善和纠正局部边界。尽管我们的网络使用低分辨率分割数据进行了训练，但我们的方法适用于任何分辨率，即使对于大于4K的高分辨率图像也是如此。

2.Context Prior for Scene Segmentation

• code：https://git.io/ContextPrior

  在这项工作中，我们直接监督特征聚合以清楚地区分类内和类间上下文。具体来说，我们在亲和度损失的监督下开发了上下文先验。给定一个输入图像和相应的基本事实，“亲和力损失”会构建一个理想的亲和力图来监督上下文先验的学习。所学习的上下文先验提取属于同一类别的像素，而相反的先验则专注于不同类别的像素。嵌入到传统的深CNN中，拟议的上下文先行层可以有选择地捕获类内和类间上下文相关性，从而实现可靠的特征表示。

3.Strip Pooling: Rethinking Spatial Pooling for Scene Parsing

• code：https://github.com/Andrew-Qibin/SPNet

  事实证明，空间池化在捕获用于场景分析等像素级预测任务的远程上下文信息方面非常有效。在本文中，除了通常具有规则形状N×N的常规空间池化之外，我们通过引入一种称为长条池化的新池化策略来重新考虑空间池化的公式，该策略考虑了一个长而窄的核，即1×N或N×1。基于条带化池，我们进一步研究空间池化体系结构的设计，方法是：1）引入一个新的条带池化模块，该模块使骨干网能够有效地建模远程依赖关系； 2）提出一种具有多种空间池化的新颖构建块3）系统地比较建议的条带池和常规空间池技术的性能。两种新颖的基于池的设计都是轻量级的，并且可以在现有场景解析网络中用作有效的即插即用模块。

4.Learning Dynamic Routing for Semantic Segmentation

• code：https://github.com/yanwei-li/DynamicRouting

  最近，许多手工制作和搜索的网络已被用于语义分割。但是，以前的工作打算在预定义的静态体系结构（例如FCN，U-Net和DeepLab系列）中处理各种规模的输入。本文研究了一种在概念上减轻语义表示中尺度差异的新方法，称为动态路由。所提出的框架生成依赖于数据的路由，以适应每个图像的比例分布。为此，提出了一种称为“软条件门”的可微分门控功能，以动态选择比例变换路径。另外，可以通过给选通功能赋予预算约束，以端对端的方式进一步降低计算成本。我们进一步放宽了网络级路由空间，以在每个转发中支持多路径传播和跳过连接，从而带来了可观的网络容量。

5.FDA: Fourier Domain Adaptation for Semantic Segmentation

• code：https://github.com/YanchaoYang/FDA

  一种用于无监督域自适应的方法，该方法通过交换一个目标的低频频谱和