从显式类嵌入的角度提升语义分割
原文中文，约300字，阅读约需1分钟。发表于：。本文提出了 ECENet，它是一种新的分割范式，通过在与多阶段图像特征交互过程中显式地获得和增强类别嵌入，探索了传统解码过程并探索了分割掩模和类别嵌入之间的反向信息流，同时通过特征重建模块来确保骨干中特征的可区分性和信息丰富度，实验结果表明我们的 ECENet 在 ADE20K 数据集上的性能优于其他模型，且计算成本较低，在 PASCAL-Context 数据集上实现了新的最先进结果。
本文介绍了一种新的分割范式ECENet，通过增强类别嵌入和探索分割掩模与类别嵌入之间的反向信息流来提高性能。实验结果表明，在ADE20K数据集上，ECENet的性能优于其他模型，并且计算成本较低。在PASCAL-Context数据集上也取得了最先进的结果。
