上传图像以自定义存储库的社交媒体预览。图像应至少为640×320px（1280×640px为最佳显示）。
在您的github自述.md文件到展示模型的性能。
自述.md
徽章是实时的，将是动态的更新了此的最新排名纸张。
[！[PWC](https://img.shields.io/endpoint.svg？url=https://paperswithcode.com/bade/axial-deeplab-stand-alone-axial-antention-for/panoptics-segmentation-on-cityscapes-test）](https://paperswithcode.com/sota/panoptic-segition-on-cityscapes-test？p=axial-deeplab-stand-alone-axial-anternation-for）
[！[PWC](https://img.shields.io/endpoint.svg？url=https://paperswithcode.com/bade/axial-城市景观全景分割的深度实验室独立轴向注意力（val）](https://paperswithcode.com/sota/panoptic-segition-on-cityscapes-val？p=axial-deeplab-stand-alone-axial-anternation-for）
[！[PWC](https://img.shields.io/endpoint.svg？url=https://paperswithcode.com/bade/axial-deeplab-stand-alone-axial-antention-for/全景-分段-柱-val）](https://paperswithcode.com/sota/panoptic-segition-on-mapillary-val？p=axial-deeplab-stand-alone-axial-anternation-for）
[！[PWC](https://img.shields.io/endpoint.svg？url=https://paperswithcode.com/bade/axial-deeplab-stand-alone-axial-atention-for/con-cominival）](https://paperswithcode.com/sota/panoptic-segmentation-on-co-minival？p=axial-deeplab-stand-alone-axial-anternation-for）
[！[PWC](https://img.shields.io/endpoint.svg？url=https://paperswithcode.com/bade/axial-deeplab-stand-alone-axial-anternation-for/coco-test-dev）](https://paperswithcode.com/sota/panoptic-segmentation-on-coco-test-dev？p=axial-deeplab-stand-alone-axial-anternation-for）
2020年ECCV · 王慧玉, 朱玉坤, 布拉德利·格林, 哈特维格·亚当, 艾伦·尤伊尔, 陈良杰 · 编辑社交预览
卷积以丢失远程上下文为代价，利用局部性提高效率。通过非局部交互，采用自我关注来增强CNN。最近的研究证明，通过将注意力限制在局部区域，可以堆叠自注意层以获得完全注意网络。在本文中，我们尝试通过将2D自关注分解为两个1D自关注来消除此约束。这降低了计算复杂性，并允许在更大甚至全局区域内执行注意力。在同伴中，我们还提出了一种位置敏感的自我注意设计。将两者结合产生我们的位置敏感轴向关注层，这是一个新的构建块，可以堆叠形成用于图像分类和密集预测的轴向关注模型。我们在四个大规模数据集上证明了模型的有效性。特别是，我们的模型优于ImageNet上所有现有的独立自我关注模型。我们的Axial-DepLab在COCO测试ev上比自下而上的先进技术提高了2.8%的性能确认。之前的先进技术是通过我们的3.8倍参数效率和27倍计算效率的小型变体实现的。Axial-DeepLab还在Mapillary Visios和Cityscapes方面取得了最先进的成果。
排名第四全景分割论城市景观价值（使用额外的培训数据）
