0. 寫作目的
好記性不如爛筆頭。
1. 問題
ADE20K 數據集存在的一些問題：
1， 錯分： 圖2第一行，船被誤分爲車了。 如果使用了全局信息，則可以避免這種情況。
2。 迷惑的類別： 第二行，建築和摩天大樓。
3。 不易區分的類別： 枕頭
2. 解決方法
融合全局信息提高分割結果
2.1 模型
模型：
其中（b）feature map得到的是 在採樣8倍的特徵。
然後通過average pooling得到 1*1， 2*2， 3*3和 6*6的特徵圖， 然後使用1*1conv 對特徵圖壓縮通道， 壓縮爲原來通道的 1/N， 其中N爲 pool的個數，這裏爲4。
再對不同的pool結果進行上採樣，然後與 feature進行 concate。 再使用conv得到最終的結果。
2.2 輔助loss
同時，訓練時，添加來一個輔助loss，這個方式與 BiSeNet v1 的操作相似。， 該輔助loss 的權重爲0.4，是通過實驗得到的。
輔助loss權重的實驗：
3.3 實驗結果
實驗效果很不錯，提高mIOU較多。
增大backbone效果更好：
與其他方法對比：
There may be some mistakes in this blog. So, any suggestions and comments are welcome!
注： 文中圖來源於paper。