CascadePSP：通过全局与局部优化实现类别无关且超高分辨率分割

当前最先进的语义分割方法几乎均在固定分辨率范围内的图像上进行训练。然而，当处理超高分辨率图像时，这类方法的分割结果往往不够准确，因为采用双三次插值对低分辨率分割结果进行上采样，难以充分捕捉物体边界处的高分辨率细节。本文提出一种新颖方法，无需任何高分辨率训练数据即可解决超高分辨率图像的语义分割问题。其核心思想是引入CascadePSP网络，该网络能够在可能的情况下不断细化并校正局部边界。尽管我们的网络仅在低分辨率分割数据上进行训练，但该方法可适用于任意分辨率，包括超过4K的超高分辨率图像。我们在多个不同数据集上进行了定量与定性分析，结果表明，借助我们提出的新型细化模块，CascadePSP能够在无需微调的情况下实现像素级精确的分割边界，因而本方法具有类别无关（class-agnostic）的特性。最后，我们展示了该模型在多类别语义分割任务中进行场景解析的实际应用效果。