论文解读|BMVC 2019 |Fast-SCNN Fast Semantic Segmentation Network

最新推荐文章于 2024-03-15 11:58:57 发布

Akita·wang

最新推荐文章于 2024-03-15 11:58:57 发布

阅读量766

点赞数

分类专栏：文献解析paper 文章标签：卷积计算机视觉

本文链接：https://blog.csdn.net/qq_19168521/article/details/113091404

版权

Fast-SCNN是一种针对1024×2048px高分辨率图像的实时语义分割模型，它引入了“学习到下样本”模块，结合高分辨率的空间细节和低分辨率的深度特征。在城市景观数据集上，以123.5fps的速度达到68.0%的mIoU，且预训练并非必要。

摘要由CSDN通过智能技术生成

论文地址：地址

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。
在这里插入图片描述
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。