摘要
全卷积网络（Fully Convolutional Network, FCN）在密集视觉识别任务中取得了巨大成功，例如场景分割。传统FCN的最后层通常是一个全局分类器（1×1卷积），用于将每个像素分类为语义标签。本文通过实验发现，这种全局分类器忽略了类内差异，可能导致次优的识别效果。在本工作中，我们提出一种条件分类器（conditional classifier）以替代传统的全局分类器。该分类器的卷积核会根据输入动态生成，从而实现条件化建模。新分类器的主要优势包括：（i）能够关注类内差异，显著增强密集识别能力；（ii）结构简单且灵活，可无缝集成到几乎任意FCN架构中以提升预测性能。大量实验表明，所提出的条件分类器在FCN架构上显著优于传统分类器。采用该条件分类器的框架（称为CondNet）在两个公开数据集上均取得了新的最先进（state-of-the-art）性能。相关代码与模型已开源，地址为：https://git.io/CondNet。