记录一下读的文献,以便日后翻阅。 读论文:2020_NeurIPS_Region Attention Network for Semantic Segmentation
关键词记录
Method:使用区域上下文关系,建立起像素之间的空间(spatial)和类别(category)依赖性,以协助图像分割。
Region Construction Block:计算Di,j和Ei,j,分别表示第i个和第j个像素之间边界存在的可能性(值越小,存在边界的可能性就越小)、语义相似性(值越小,二者是同一类的可能性就越大)。根据这两者可以计算出region attention maps Fi,j=(1-Di,j)(1-Ei,j) 由上述可知,F越大,两个像素越有可能属于同一对象区域。根据F可以计算出G(对称的region decision maps),如果Gi,j=1,那么i像素和j像素属于同一区域,分组过程将图像划分为一组区域{Rq|q = 1,……Q}。
Region Interaction Block :对于第q个区域的第i个像素,我们计算代表性分数Ji,该数代表i像素与q区域内所有点的相关性(值越大越相关),最终选出K个值最高的像素点作为代表性像素。
代表性像素提供区域信息,该信息在不同区域的像素之间传播——
①RIB进行区域内收集,构造所有具有代表性像素的局部上下文表示。
②在不同区域的每对代表性像素之间建立连接,形成全局上下文表示。
③RIB使用区域内分布来传播全局上下文,以增强图像中的所有像素。
标签:9.22,01,代表性,Region,像素,区域,上下文,值越,DAY From: https://www.cnblogs.com/Askia/p/16719733.html