本改进已同步到YOLO-Magic框架！

语义分割是许多应用的重要任务，但要在有限的计算成本下实现先进性能仍然非常具有挑战性。在本文中，我们提出了CGRSeg，一个基于上下文引导的空间特征重建的高效且具有竞争力的分割框架。我们精心设计了一个矩形自校准模块，用于空间特征重建和金字塔上下文提取。它在水平和垂直方向捕获轴向全局上下文，以明确建模矩形关键区域。一个形状自校准功能被设计来使关键区域更接近前景对象。此外，我们还提出了一个轻量级的动态原型引导头部，通过显式类嵌入来改进前景对象的分类。我们的CGRSeg在ADE20K、COCO-Stuff和Pascal Context基准测试上进行了广泛评估，并取得了最先进的语义性能。具体来说，在仅4.0 GFLOPs的情况下，它在ADE20K上达到了43.6%的mIoU，比SeaFormer和SegNeXt分别高出0.9%和2.5%，但计算成本减少了约38.0%。

论文地址：