![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
语义分割
学习语义分割的记录。
王大梨
不积跬步,无以至千里;不积小流,无以成江海。
学生期间是做物联网安全的,工作之后开始进入车联网安全领域,实现android端攻击并采集数据,然后使用Flink流批一体的实时数据引擎对安全数据进行分析,并用人工智能的思想对安全威胁进行建模、检测并最终达到安全防护的目的。
一入安全深似海,虽有迷茫,但依然坚定地扎根这个行业。
展开
-
实时语义分割模型——BiSeNet
主要思想:在语义分割任务中,低阶的细节特征和高阶的语义特征一样重要,但当下的方法为了取得更快的推理速度,往往牺牲掉了低阶特征,从而导致精度的严重下降。因此作者提出了一个由两条分支组成的网络架构,分别是细节分支和语义分支。细节分支中特征图的channel数较少,而分辨率较高,有利于提取图像上的边缘、角点等细节信息;语义分支中特征图的channel数较多,而分辨率较低,有利于提取高层的语义特征。最后再通过作者设计的Guided Aggregation Layer对两者所提取的特征进行聚合。网络结构:De.原创 2021-12-19 23:54:08 · 1782 阅读 · 1 评论 -
论文阅读笔记——STDC-Seg
作者参考了BiSeNet,并在其基础上对模型的架构进行了改进,达到了取得了更快的速度和更高的精度(没有提到显存占用,经测试,STDC2_50在转为trt后,显存占用大致在900M左右)BiSeNet的设计是一个双流网络,spatial path用于提取图像的细节信息,semantic path用于提取语义信息作者认为额外的spatial path会消耗更多的时间,而且是从其他预训练任务(如图像分类)中“借”来的backbone,并不是针对于语义分割任务设计的。作者设计了两种STDC模块,一种保持输入.原创 2021-12-12 23:17:28 · 3404 阅读 · 0 评论