图像分割论文 RANet: Region Attention Network for Semantic Segmentation

与像素级关联相比，语义分割任务更侧重于目标层级的联系，因此，本文引入了基于目标区域构建区域性上下文的方法，以实现目标层级关系的建立。RANet通过优化目标区域的生成方式、代表性区域内容的选择策略、信息传递路径的设计以及像素间上下文信息的交互机制，多方面协同提升分割效果。

文中作者提出了一种以对象区域为基础构建区域上下文的理念，该方法对对象层级之间的关系进行了系统建模。此处所指的区域既可以是一个完整的对象，也可以是其组成部分。每一个物体均可被视作一个独立的区域，由若干相邻且类别相同的像素构成。从直观角度来看，对象区域的边界能够体现不同物体之间的空间分布特征。在同一个对象区域内，所有像素点所携带的类别信息具有高度一致性。

如上图所示，RANet中的RCB模块（Region Construction Block）能够对boundary score map与semantic score map进行联合分析。通过计算图像中任意两个像素之间的region attention score，并依据注意力得分，RCB生成每个像素（红点）对应的区域决策图（region decision m