摘要

上下文信息在视觉理解问题中至关重要，例如语义分割和目标检测。我们提出了一种交叉网络（Criss-Cross Network, CCNet），以非常高效和有效的方式获取全图像的上下文信息。具体而言，对于每个像素，一种新颖的交叉注意力模块收集其交叉路径上所有像素的上下文信息。通过进一步的递归操作，每个像素最终可以捕捉到全图像的依赖关系。此外，我们还提出了一种类别一致性损失，以增强交叉注意力模块生成更具区分性的特征的能力。总体而言，CCNet具有以下优点：1）对GPU内存友好。与非局部块相比，所提出的递归交叉注意力模块所需的GPU内存使用量减少了11倍。2）计算效率高。递归交叉注意力显著降低了约85%的非局部块的浮点运算次数（FLOPs）。3）最先进的性能。我们在多个语义分割基准数据集上进行了广泛的实验，包括Cityscapes、ADE20K、人体解析基准LIP、实例分割基准COCO以及视频分割基准CamVid。特别是，我们的CCNet在Cityscapes测试集、ADE20K验证集和LIP验证集上分别达到了81.9%、45.76%和55.47%的mIoU分数，这些结果均为新的最先进水平。源代码可在\url{https://github.com/speedinghzl/CCNet}获取。