事无巨细的思考,反而让我更凌乱。梳理一下思路,肯定会让我事半功倍。
勤奋思考,智慧执行,牛牛大吉,冲冲冲!
语义分割几个关键部分的维护和提升:
网络结构调整,数据集维护和更新,模型落地测试验证,语义后处理的改进。
其中,每个部分里我关心的点:
-
网络:调研SOTA文章
总结规律,找出有效的机制或模块加到当前网络里 -
数据:CityScape,维护好BanmaScape
-
模型落地测试:pytorch2onnx-TVM,可以先推到mali-mt2712p上,看实际效果
-
语义后处理的改进:
从对语义建图-路网分割影响来看,路边和导流区类别的准确性要提高
是否要增加隔离墩的识别,
训练时能否把车道线分多类训练,减少后处理操作 -
待调研文章
- 实时语义SOTA
- HANet
- SPNet
- 2019 U-HarDNet-70 75.9% 53fps (1080Ti)
- 语义SOTA
- 2020 英伟达 HRNet-OCR 85.1 (Hierarchical Multi-Scale Attention)
- 2019 HRNetV2 + OCR 84.5
- 2019 Panoptic-DeepLab 84.2%
- 2018 DeepLabV3Plus + SDCNetAug 83.5%
- 实时语义SOTA
-
总结规律
- 多head模式
- 多个segment head(减少计算量同时提升某些类的IOU)
- 更关注的类别用稍微复杂一点的segment head, 反之用简单segment head 即可
- …
- 各种Attention head
- 多个segment head(减少计算量同时提升某些类的IOU)
- 各种Attention
- 多尺度Attention
- [ ]
- 多head模式
-
待加入模块或机制
-
数据集维护
- BanmaScape新标注的2的
继续保持思考,更新!