Paper reading：高分辨率图像分割 Collaborative Global-Local Networks for Memory-Efficient Segmentation CVPR19

原创

已于 2022-06-26 09:06:43 修改 · 635 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #大数据 #深度学习

于 2022-06-24 10:51:34 首次发布

本文提出了一种协作式全局-局部网络（Collaborative Global-Local Network, GLNet）用于超高清图像分割，旨在保留全局和局部信息。网络包含全局分支和局部分支，分别处理全局图像和局部图像块，以获取更准确的分割结果。为解决类别不均衡问题，还引入了从粗到细的网络变体。实验在多个超高清图像数据集上验证了方法的有效性，如DeepGlobe、ISIC Lesion Boundary Segmentation Challenge和Inria Aerial Challenge。

现有的大尺度图像分割方法大多是下采样或者切分为图像块进行处理，但是会导致局部细节和全局纹理信息的缺失。因此本文提出协作式全局-局部网络(Collaborative global-local network)，以一个高效的方式保留全局和局部信息。协作式全局-局部网络有两个分支：全局分支和局部分支，分别处理降采样后的全局图像和剪切后的局部图像块作为输入信息。为了完成分割任务，网络会融合两个分支的特征图，以更好地获取高分辨率的细节结构和上下文依赖关系。此外，为了解决类别不均衡问题（即前景和背景区域不均衡），提出一个从粗到细的网络变体，具有内存-速度的双重优势。

网络架构：

从粗到细的网络框架：

实验细节：For simplicity, both the downsampled global image and the cropped local patches share the same size, 500*500 pixels. Neighboring patches have 50-pixel overlap to avoid boundary vanishing for all the convoluti