论文地址:地址
文章目录
摘要
编码器-解码器框架是最先进的离线语义图像分割。随着自主系统的兴起,实时计算越来越受到人们的青睐。在本文中,我们引入了快速分割卷积神经网络(fast - scnn),这是一种针对1024×2048px高分辨率图像数据的实时语义分割模型,适合于在低内存的嵌入式设备上进行高效计算。
在现有的两分支快速分割方法的基础上,我们引入了“学习到下样本”模块,该模块同时计算多个分辨率分支的低级别特征。
我们的网络结合了高分辨率的空间细节和低分辨率提取的深度特征,在城市景观上以每秒123.5帧的速度在联合上产生68.0%的平均相交精度。我们还表明,大规模的预训练是不必要的。我们通过ImageNet预训练和城市景观的粗糙标记数据在实验中彻底验证了我们的度量。最后,我们在没有任何网络修改的情况下,展示了在下采样输入的竞争结果下更快的计算速度。
上图展示了Fast-scnn与编-解码器和双分支结构的原理图比较。编码器-解码器在许多分辨率下使用多个跳过连接,通常由深度卷积块产生。双分支方法利用低分辨率和空间细节较浅的全局特征。而Fast-scnn在学习过程中对空间细节和全局上下文的初始层进行编码,并同时对下采样模块进行编码。
一、引入
我们观察到,在文献中,语义分割通常