摘要

宽残差网络（Wide-Residual Networks, Wide-ResNets）是残差网络（Residual Networks, ResNets）的一种浅层但宽结构的变体，通过堆叠少量具有较大通道数的残差块实现，在多个密集预测任务中展现出卓越的性能。然而，自提出以来，Wide-ResNet架构在近年来几乎未发生显著演进。在本研究中，我们针对近期极具挑战性的全景分割（panoptic segmentation）任务，重新审视了该架构的设计。全景分割旨在统一语义分割与实例分割任务。我们通过在Wide-ResNets中引入简单而高效的挤压-激励模块（Squeeze-and-Excitation）与可切换空洞卷积（Switchable Atrous Convolution），构建了一个基准模型。随后，通过调整网络的宽度（即通道数）和深度（即层数），进一步扩展或压缩模型容量，从而形成一系列名为SWideRNets（Scaling Wide Residual Networks的缩写）的模型家族。实验表明，这种简洁的缩放策略结合网格搜索，能够有效发现多个SWideRNets模型，在快速模型与强模型两种范式下，均显著提升了全景分割任务在多个数据集上的最先进性能。