学习用于语义分割的判别特征网络

大多数现有的语义分割方法仍然面临两个方面的挑战：类内不一致性（intra-class inconsistency）和类间不可区分性（inter-class indistinction）。为了解决这两个问题，我们提出了一种判别特征网络（Discriminative Feature Network, DFN），该网络包含两个子网络：平滑网络（Smooth Network）和边界网络（Border Network）。具体而言，为了应对类内不一致性问题，我们特别设计了一个平滑网络，该网络采用了通道注意力模块（Channel Attention Block）和全局平均池化（global average pooling），以选择更具判别性的特征。此外，我们还提出了一种边界网络，通过深度语义边界监督（deep semantic boundary supervision）使边界两侧的特征更加可区分。基于我们提出的DFN，在PASCAL VOC 2012数据集上实现了86.2%的平均交并比（mean IOU），在Cityscapes数据集上实现了80.3%的平均交并比。