ContextNet：探索实时语义分割中的上下文与细节
计算机视觉与模式识别
2018-11-06 v4
摘要
现代深度学习架构在许多具有挑战性的语义分割数据集上产生了高度准确的结果。然而，最先进的方法无法直接迁移到实时应用或嵌入式设备，因为为降低计算成本（速度、内存和能耗）而对这类系统进行朴素适配会导致精度显著下降。我们提出 ContextNet，一种基于分解卷积、网络压缩和金字塔表征构建的新深度神经网络架构，以低内存需求在实时下产生具有竞争力的语义分割结果。ContextNet 将低分辨率下捕获全局上下文信息的高效深层网络分支与专注于高分辨率分割细节的浅层分支相结合。我们通过详尽的消融研究分析了我们的网络，并给出了在 Cityscapes 数据集上的结果，在全（1024x2048）分辨率下以 18.3 帧每秒达到 66.1% 精度（对流式数据采用流水线计算时为 41.9 fps）。
关键词
引用
@article{arxiv.1805.04554,
title = {ContextNet: Exploring Context and Detail for Semantic Segmentation in Real-time},
author = {Rudra P K Poudel and Ujwal Bonde and Stephan Liwicki and Christopher Zach},
journal= {arXiv preprint arXiv:1805.04554},
year = {2018}
}
备注
Published as a conference paper at British Machine Vision Conference (BMVC), 2018