DABNet：用于实时语义分割的深度可分离非对称瓶颈模块
计算机视觉与模式识别
2019-10-02 v2
摘要
作为一种像素级预测任务，语义分割需要巨大的计算成本和海量参数才能获得高性能。近年来，由于自动驾驶系统和机器人的需求日益增长，在准确率和推理速度之间做出权衡具有重要意义。在本文中，我们提出了一种新颖的深度可分离非对称瓶颈(Depthwise Asymmetric Bottleneck, DAB)模块来解决这一困境，其高效地采用深度可分离非对称卷积和空洞卷积来构建瓶颈结构。基于DAB模块，我们设计了一种专为实时语义分割打造的深度可分离非对称瓶颈网络(Depth-wise Asymmetric Bottleneck Network, DABNet)，其创建了充足的感受野并密集利用了上下文信息。在Cityscapes和CamVid数据集上的实验表明，所提出的DABNet在速度和精度之间取得了平衡。具体而言，在没有任何预训练模型和后期处理的情况下，它在Cityscapes测试数据集上以仅76万参数和单张GTX 1080Ti显卡上104 FPS的速度取得了70.1%的平均交并比(Mean IoU)。
引用
@article{arxiv.1907.11357,
title = {DABNet: Depth-wise Asymmetric Bottleneck for Real-time Semantic Segmentation},
author = {Gen Li and Inyoung Yun and Jonghyun Kim and Joongkyu Kim},
journal= {arXiv preprint arXiv:1907.11357},
year = {2019}
}
备注
Accepted to BMVC 2019