ENet 笔记
关键点
- bottleneck
- BN + PRelU
- Spatial Dropout
- 只有 weights,无 bias
一、背景
许多移动应用需要实时语义分割模型。深度神经网络需要大量的浮点运算,导致运行时间长,从而降低了时效性。ENet,相比于 SegNet,在速度块,浮点计算量少,参数少,且有相似的精度。
二、网络结构
整体架构
![1.png](https://i-blog.csdnimg.cn/blog_migrate/299532e3707e479040b8c1720cc04f8a.png)
- initial:初始化模块,可大大减少输入的尺寸;
- Stage 1:encoder 阶段。包括 5 个 bottleneck,第一个 bottleneck 做下采样,后面 4 个重复的 bottleneck;
- Stage 2-3:encoder 阶段。stage2 的 bottleneck2.0 做了下采样,后面有时加空洞卷积,或分解卷积。stage3 没有下采样,其他都一样;
- Stage 4~5:属于 decoder 阶段