2019cvpr【In Defense of Pre-trained ImageNet Architectures for Real-time Semantic Segmentation of Road-driving Images】笔记
for Real-time Semantic Segmentation of Road-driving Images】笔记)
论文源代码:https://github.com/orsic/swiftnet.
论文:https://arxiv.org/abs/1903.08469?context=cs.CV
摘要部分
最近语义分割方法在路况驾驶数据集上的成功激励产生了很多相关应用。一些应用包含了在车,无人机,其他类型机器人等移动端上能够进行real-time预测。但是实时性在大量的计算数据面前很有挑战性。以前的模型处理这个挑战的方法通常是给模型“减负”,通过分别减少模型深度,宽度,以及隐藏层的通道数来进行。在本文中,作者提出了一个供选择的方法,即通过一种方法,能够在计算量充足的情况下有很好的表现。首先,作者以一个基本的light-weighted网络作为主要的检测网络。然后利用上采样在 the most cost-effective solution 存储 the prediction resolution.最后,通过融合共享特征来提高感受野。
论文的试验结果为:在CItyscapes有75.55%的mIOU,在GTX1080Ti显卡能达到的速度为 39.9HZ on 1024 * 2048 。
Introduction
语义分割是做到像素级别的分类水平。语义分割准确率比较高的模型都是基于全卷积模型做的,但是却需要花费太多的计算资源来进行计算。一些类似自动巡航&#