摘要
非局部模块在语义分割中是一种特别有用的技巧，但因其计算量巨大和占用过多的GPU内存而受到批评。本文提出了一种用于语义分割的不对称非局部神经网络（Asymmetric Non-local Neural Network），该网络包含两个显著组件：不对称金字塔非局部块（Asymmetric Pyramid Non-local Block, APNB）和不对称融合非局部块（Asymmetric Fusion Non-local Block, AFNB）。APNB通过引入金字塔采样模块到非局部块中，大幅降低了计算量和内存消耗，同时不牺牲性能。AFNB则是在APNB的基础上进行改进，充分考虑了长距离依赖关系，从而显著提升了性能。我们在多个语义分割基准数据集上进行了广泛的实验，证明了我们方法的有效性和高效性。特别是，在Cityscapes测试集上，我们报告了当前最先进的81.3 mIoU性能。对于256x128的输入图像，APNB在GPU上的运行速度比非局部块快约6倍，而在GPU运行时占用的内存则减少了约28倍。代码可在以下地址获取：https://github.com/MendelXu/ANN.git。