PSPNet的金字塔池化模块解析

PSPNet（Pyramid Scene Parsing Network）由Zhao等人于2017年提出，核心创新是金字塔池化模块（PPM），解决了场景解析中全局上下文信息不足的问题。

问题背景： 语义分割中，许多错误源于上下文误解：例如将船误判为车（因为只看到局部形状），或将部分屋顶误判为道路（颜色纹理相似）。标准FCN的感受野有限，全局信息不足。

金字塔池化模块（PPM）设计：

1. 输入特征图（如ResNet输出的最后一层特征图）。
2. 使用4种不同尺度的池化操作（1×1, 2×2, 3×3, 6×6），分别将特征图池化为不同大小的特征。
   • 1×1：全局上下文，代表整个场景的信息。
   • 2×2：中等区域的上下文。
   • 3×3：更细粒度的区域信息。
   • 6×6：小区域的局部上下文。
3. 每个尺度的池化输出通过1×1卷积降维（通道数减为1/N，N为金字塔层级数，通常N=4）。
4. 通过双线性插值上采样回原始特征图大小。
5. 将所有层级的特征图与原始特征图沿通道维度拼接。
6. 最后通过一个卷积层输出最终分割结果。

优势：

1. 多尺度池化捕获了从局部到全局的丰富上下文信息，减少了误分割。
2. 不同层级池化的感受野差异，使得模型能同时理解场景的全局结构和局部细节。
3. 计算量增加很少（池化+1×1卷积），效果提升显著。

应用效果： 在ADE20K、Cityscapes等数据集上获得SOTA性能，尤其是在复杂场景解析中表现优异。