【论文阅读】CVPR 2020 《Strip Pooling: Rethinking Spatial Pooling for Scene Parsing》

0. 写作目的 好记性不如烂笔头。 1. 问题 目前的 spatial pooling 都是 N*N的，这会限制他们捕捉特征。如分布狭长的 2. 解决方法 使用1*k 和 k * 1的pooling。 同时结合来PSPNet 中的 Pyramid Pooling。 2.1 SPM （Strip Pooling Module）：来提高感受野。 ...

Strip Pooling：Rethinking Spatial Pooling for Scene Parsing 条状池化:重新思考场景解析的空间池 Code：源码地址 Paper：论文地址 目录一、摘要二、介绍2.1 带状池化（Strip pooling）2.2本文贡献三、方法3.1 带状池化模块（Strip Pooling Module/SPM）3.2 混合池化模块（Mixed Pooling Module/MPM）3.3 SPNet整体架构四、实验结果4.1ADE20K数据集4.2 citysca

Strip Pooling: Rethinking Spatial Pooling for Scene Parsing论文阅读论文地址AbstractIntroductionMethodologyStrip PoolingStrip Pooling Module功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的

文章地址：https://arxiv.org/pdf/2003.13328v1.pdf 源码地址：https://github.com/Andrew-Qibin/SPNet 问题的引出 在某些情况下，目标对象可能具有远距离的带状结构或离散分布（如下图所示）。 使用方形不能很好地解决问题，因为它不可避免地会合并来自无关区域的信息。普通的空间池化，不可避免的会加入一些无关紧要的像素区域。尤其是在利用池化扩大感受野时，这一缺点将更加明显。所以作者提出了 条纹池化。 在本文中，为了更有效地捕获远程依赖关系，进一步

代码地址：SPNet 1. 概述 导读：池化操作是在逐像素预测任务中获取较大感受野范围较为高效的做法，传统一般采取N∗NN*NN∗N的正规矩形区域进行池化，在这篇文章中引入了一种新的池化策略，就是使用长条形的池化kernel来实现池化，即是池化的核心被重新设计为N∗1,1∗NN*1,1*NN∗1,1∗N，从而构建了strip pooling操作。这个操作的引入使得网络可以更加高效获取网络大范围感受野下的信息，在这个理念的基础上搭建了使用多个长条池化层构建的新模块Strip Pooling Module（S

程明明组的论文，针对问题和解决方案都比较直接，相关代码也已经开源了 论文地址：https://arxiv.org/pdf/2003.13328.pdf Github：https://github.com/Andrew-Qibin/SPNet Abstract： 事实证明，空间池化在捕获用于场景解析等像素级预测任务的远程上下文信息方面非常有效。在本文中，除了通常具有N x N规则形状的常规空间池化之外，我们通过引入一种称为strip pooling的新池化策略来重新考虑空间池化的公式，该策略考虑了一个长.

文章目录一、背景及相关知识二、本文的主要贡献及主要方法三、实验四、代码分析五、总结 一、背景及相关知识 场景解析，也就是语义分割任务，近年来，在众多领域如无人驾驶、医疗图像分析、图像及视频编辑等计算机视觉任务中具有很重要的应用。近年来，语义分割的方法主要是基于FCN的方法，这系列方法在捕获高层语义信息方面已经取得了很多的成果，但是，这些方法仍有一些缺陷，这些方法主要是堆砌了一些局部的卷积和池化操作，因此，感受野是有局限性的，对于复杂场景的解析仍有不足。 本文主要是 二、本文的主要贡献及主要方法 三、实验

这个部分是：Strip pooling Module（SPM） SPM可以看做是一个Bottleneck部分，类似于residule class SPBlock(nn.Module): def __init__(self, inplanes, outplanes, norm_layer=None): super(SPBlock, self).__init__() midplanes = outplanes self.conv1 = nn.Con.

一篇有意思的文章，CVPR 2020的Strip Pooling: Rethinking Spatial Pooling for Scene Parsing[1]，文章从空间池化的基础上提出了（分解出了）条纹卷积，并基于此构筑了场景解析（语义分割）的网络，达到了新的SOTA。文章写得挺好的，不过我不是做语义分割的，所以我还是略读了。 痛点 与只在一个小方框中采集信息的传统空间池化结构不同，文章提出......

【论文笔记】Strip Pooling: Rethinking Spatial Pooling for Scene Parsing 模块代码 class StripPooling(nn.Module): """ Reference: """ def __init__(self, in_channels, pool_size, norm_layer, up_kwargs): super(StripPooling, self).__init__()

空间池化已被证明在像素级预测任务（如场景解析）捕获远程上下文信息方面非常有效。在本文中，除了常规的N×N形状的空间池化外，我们还引入了一种新的池化策略，称为条带池化，它考虑了一个长而窄的核，即1×N或N×1。

Strip Pooling: Rethinking Spatial Pooling for Scene Parsing 条纹池化：场景解析空间池化的再思考。

  论文地址：Strip Pooling   论文代码：github 1 简介   基于空间池化能够有效的提取到long-range的上下文信息这一假设，稳重主要有三个贡献： 设计了一种使用非对称卷积1×N1\times N1×N和N×1N\times 1N×1新的空间pooling结构； 使用strip pooling设计了一个新的空间pooling模块和Mixed Pooling Module； 基于strp pooling和mixed pooling搭建了spnet。 2 思路   语义分割自FC

【探索场景解析新境界】Strip Pooling：重思空间池化 SPNet Code for our CVPR2020 paper "Strip Pooling: Rethinking Spatial Pooling for Scene Parsing" 项目地址...

Strip Pooling: 重新思考场景解析中的空间池化技术 项目介绍 "Strip Pooling: Rethinking Spatial Pooling for Scene Parsing" 是一个基于PyTorch的开源项目，旨在重新思考和优化场景解析中的空间池化技术。该项目在CVPR 2020上发表，并提供了一个易于使用的PyTorch实现。通过引入创新的Strip ...

Strip Pooling：重新思考场景解析的空间池化 paper题目：Strip Pooling: Rethinking Spatial Pooling for Scene Parsing paper发表于CVPR 2020 paper地址：链接 Abstract 空间池化已被证明在为逐像素预测任务（例如场景解析）捕获远程上下文信息方面非常有效。本文除了通常 N×NN \times NN×N 规则形状的传统空间池化之外，引入了一种新的池化策略重新思考空间池化的制定，称为条带池化，它考虑了一个长

输入一个特征图，C×H×W，经过水平和竖直条纹池化后变为H×1和1×W，使用求平均的方法，对池化核内的元素值求平均，并以该值作为池化输出值；随后经过卷积对两个输出feature map分别沿着左右和上下进行扩充，扩充后两个特征图尺寸相同，对扩充后的特征图对应相同位置进行逐像素求和得到H×W的特征图；因此，将strip pooling和pyramid pooling结合起来，构造mixed pooling module模块，兼顾长条形和非长条形物体的效果，同时捕获不同位置之间的短距离和长距离依赖关系。