【论文阅读纪录】High-Resolution Representations for Labeling Pixels and Regions（HRNetV2）

前言：

{

    最近在github上看到了一个语义分割的汇总[1]，上面有很多论文我都还没看过，这次我打算选一个比较新的来读读看。

    这次选择的论文是2019年的High-Resolution Representations for Labeling Pixels and Regions [2]。

}

 

正文：

{

    在论文的第一节，作者介绍了目前一些高分辨率风格的网络结构的特点。这些网络可分为两种，一种是缩小再放大的网络，例如[3]；另一种是保持高分辨率的网络，这种网络通过并行路径提取全局信息和局部细节，例如[4](HRNetV1)。本论文所提出的网络就是保存高分辨率的第二种。

 

    在第三节，作者对论文提及的网络进行了详述。图1是网络的结构图。

    

    此网络由图2中的(a)和(b)组成。

    

    网络最后的输出是一个特征张量，见图3。

    上图中，(a)是[4]中提出的结构，(b)是本论文提出的改进结构，最后还会跟一个线性分类器，(c)是为目标检测改进的结构。

    值得一提的是，下采样是通过stride为2的3*3卷积实现的，上采样则通过双线性差值来实现。4种分辨率的特征图具有不同的通道数，分别为C, 2C, 4C, 和 8C（C应该是一个超参数）。另外，图2中(a)的每一条分支是4个残差单元（residual unit），每个残差单元包括2个3*3的卷积。

 

    第四节是实验细节。

    在Cityscapes数据集上，本论文中采用的具体训练配置为：

• 数据扩增：随机裁剪（尺寸为1024×2048到512 × 1024），随机缩放（比例为0.5到2），随机翻转；
• 优化器相关设置：优化器为SGD，初始学习率为0.01，冲量为0.9，权值衰减为0.0005，学习率改变策略为Polynomial（power为0.9）；
• 其他：120000次迭代，batch size为12，使用syncBN（4个GPU）.

    结果见表2。

   

    表2中的-W48代表高分辨率特征图的通道数（上面提到的C）为48。

    可以发现，当使用训练和验证数据后，本论文的网络在结果上有大幅提高。

}

 

结语：

{

    值得一提的是，在open-mmlab中已经实现了HRNet[5]，之后我可能会去用用看。

    能力有限，欢迎拍砖。

    参考资料：

    {

        [1] https://github.com/mrgloom/awesome-semantic-segmentation

        [2] https://arxiv.org/pdf/1908.07919.pdf

        [3] http://www.arxiv.org/pdf/1505.04597.pdf

        [4] https://arxiv.org/pdf/1902.09212v1.pdf

        [5] https://github.com/open-mmlab/mmdetection

    }

}