Key points are not available for this paper at this time.
A inferência em múltiplas escalas é comumente usada para melhorar os resultados da segmentação semântica. Múltiplas escalas de imagens são passadas por uma rede e então os resultados são combinados através de média ou max pooling. Neste trabalho, apresentamos uma abordagem baseada em atenção para combinar previsões em múltiplas escalas. Mostramos que previsões em certas escalas são melhores para resolver modos de falha particulares, e que a rede aprende a favorecer essas escalas para tais casos, a fim de gerar previsões melhores. Nosso mecanismo de atenção é hierárquico, o que permite que seja aproximadamente 4x mais eficiente em termos de memória para treinar do que outras abordagens recentes. Além de possibilitar um treinamento mais rápido, isso nos permite treinar com tamanhos de recorte maiores, o que leva a uma maior precisão do modelo. Demonstramos o resultado do nosso método em dois conjuntos de dados: Cityscapes e Mapillary Vistas. Para Cityscapes, que possui um grande número de imagens com rótulos fracos, também aproveitamos a rotulagem automática para melhorar a generalização. Usando nossa abordagem, alcançamos novos resultados de ponta tanto no Mapillary (61,1 IOU validação) quanto no Cityscapes (85,1 IOU teste).
Tao et al. (Qui,) estudaram essa questão.