摘要
对在移动设备上应用语义分割模型的需求正在迅速增加。目前最先进的网络拥有大量的参数，因此不适合在移动设备上使用，而其他一些占用较小内存的模型则沿用了分类网络的设计理念，忽略了语义分割的固有特性。为了解决这一问题，我们提出了一种新颖的上下文引导网络（Context Guided Network, CGNet），这是一种轻量级且高效的语义分割网络。首先，我们提出了上下文引导（Context Guided, CG）模块，该模块学习局部特征和周围上下文的联合特征，并进一步利用全局上下文改进这些联合特征。基于CG模块，我们开发了CGNet，该网络在所有阶段都捕捉上下文信息，并特别针对提高分割精度进行了优化。此外，CGNet还精心设计以减少参数数量并节省内存占用。在同等参数量的情况下，所提出的CGNet显著优于现有的分割网络。在Cityscapes和CamVid数据集上的大量实验验证了所提方法的有效性。具体而言，在没有任何后处理或多尺度测试的情况下，所提出的CGNet在Cityscapes数据集上实现了64.8%的平均交并比（mean IoU），并且参数量不足0.5M。完整的系统源代码可以在https://github.com/wutianyiRosun/CGNet找到。