Contextrast++: Robust Multi-Scale Contextual Contrastive Learning for Semantic Segmentation

Changki Sung

doi:10.1109/tpami.2026.3721845

Contextrast++: Robust Multi-Scale Contextual Contrastive Learning for Semantic Segmentation

2026-08-07

0

PRE

AI

DOI：10.1109/tpami.2026.3721845

原文链接

原文求助

摘要

En 中文

语义分割随着深度学习取得了快速进展；然而，在有效捕捉局部和全局上下文以及解决长尾分布问题方面仍存在挑战。为解决这些问题，我们提出了Contextrast++，一种用于语义分割的鲁棒对比学习方法，该方法改进了多尺度特征融合并缓解了类别不平衡问题。我们的方法包含两个关键组件：1）上下文对比学习（CCL）和2）边界感知负样本（BANE）采样。CCL包括三个子组件：自适应融合模块、像素到锚点（PA）损失和锚点到锚点（AA）损失。自适应融合模块动态平衡局部和全局特征融合，从而产生更具上下文感知的表示。PA损失利用融合的多尺度特征改进特征表示学习，而AA损失通过使用存储固定数量类别平衡代表性锚点的记忆库，聚焦于解决长尾分布问题。同时，BANE采样通过从误分类边界区域选择硬负样本，提升分割精度，在对比学习过程中细化了细粒度细节。通过在公开数据集上的广泛实验验证，我们证明Contextrast++显著优于现有的基于对比学习的最先进方法，且在推理过程中未引入额外的计算开销。

Keyword:

Semantic segmentation

contrastive learning

representation learning

Contextrast++: Robust Multi-Scale Contextual Contrastive Learning for Semantic Segmentation

摘要

期刊

机构

引用论文