CNet：用于语义分割的上下文感知网络

语义分割是计算机视觉中的重大挑战之一。 最近，深度卷积神经网络（DCNN）在大多数计算机视觉任务中都取得了巨大的成功。 但是，就语义分割而言，DCNN方法仍然难以充分利用上下文信息并确定对象的精细边界。 在本文中，我们提出了一种上下文感知网络（CNet），该网络利用健壮的上下文信息来改善分割结果。 CNet具有两个重要组成部分：1）特征收集模块（FCM），其构造为通过不同的接受域提取低级上下文特征，包括纹理，布局，边界，局部和全局关系，以补充高级特征学习，以及2）名为ResGate的新颖层，开发该层是为了从FCM中选择健壮的上下文特征。 这两个组合的组件可以彻底探索上下文信息，以提高边界分割的准确性。 我们在流行的PASCAL VOC2012数据集上评估了所提出的方法，并与相关方法相比获得了有希望的性能，特别是在相似对象或复杂场景中的对象的情况下。