HAFNet: Hierarchical Attention and Feature Fusion for Real-Time Lightweight Semantic Segmentation

HAFNet 从语义分割网络的层级功能划分出发，分析浅层、中层与深层特征在边界建模、结构感知与语义抽象中的不同作用，针对传统轻量化模型多尺度协同不足的问题进行结构设计。

网络结构图

主要贡献包括：

• 提出分层协同的轻量化语义分割架构，明确不同层级特征的功能分工。
• 在浅层设计 AcquisitionFeature 模块，强化边缘和纹理等低级特征提取并抑制冗余信息。
• 在中层设计 MS-ACSBlock，融合多尺度建模与注意力机制，提升局部结构与目标轮廓感知能力。
• 在深层设计 GeoLiteConv 模块，增强语义抽象与全局上下文建模能力。
• 在 Crack500、MIAD、WHDLD 和 Cityscapes 等数据集上评测；在 WHDLD 遥感航拍场景中以 1.98 GFLOPs、1.19M 参数达到 63.17% mIoU。

引用信息：Wenhao Liu. "HAFNet: Hierarchical Attention and Feature Fusion for Real-Time Lightweight Semantic Segmentation." IEEE Transactions on Pattern Analysis and Machine Intelligence, Under Review.