基于递归层聚合结构的全景分割网络

摘要

现有全景分割算法大都存在计算量开销大、精度不足的问题,EfficientPS(Efficient Panoptic Segmentation)网络提供了一种解决方案,但性能依旧有提升的空间。本文在此基础上提出了基于递归层聚合结构的全景分割网络(Recursive Layer Aggregation Panoptic Segmentation,RLAPS)以提升全景分割效果。主干网络的结构改用递归层聚合结构的残差网络,在不增加冗余的情况下更好地重用浅层网络提取的特征,具有更好的学习图像中结构信息的能力;同时,主干网络中双向特征金字塔网络(Feature Pyramid Networks,FPN)结构后增加了通道多样化模块,弥补了卷积网络随着层数加深关注点集中在少数主要通道特征的问题,增强了主干网络提取特征的能力。语义分割头部分增加了跳跃连接和全局注意力模块组合的分支,以使提取到的特征能够关联全局信息。实验表明,该网络相较于EfficientPS的全景分割质量提升了0.9%。同时,前景实例目标和背景填充区域的分割精度分别提升了0.5%和1.3%。