基于卷积注意力引导的多路径语义分割网络

摘要

为降低基于Transformer的语义分割模型的计算量，本文将眼光重新回到CNN模型，提出了MCAG，一种用于语义分割的多路径卷积注意力网络架构.在包含了注意力机制的前提下，利用多尺度卷积特征，通过简单的元素相乘来唤起空间注意力，降低了计算量，且多路径架构让模型对细节和边界的关注增加. MCAG能够从局部到全局获取多尺度上下文，实现自在空间和通道维度上适应性，从低到高聚合信息. MCAG提高了之前先进方法在流行基准上的性能，在ADE20K、Cityscapes、COCO-Stuff上分别达到了47.7%、82.51%、43.6%的mIoU.本文提出的MCAG在很大程度上提升了小物体的分割精准率，证明了卷积注意力机制与多路机制的融合是成功的.

关键词

卷积注意力 / 多路径 / 深度学习 / 特征指导 / 语义分割