DSNet：一种用于道路场景分割的高效CNN
计算机视觉与模式识别
2019-04-11 v1
摘要
道路场景理解是自动驾驶系统中的关键组成部分。尽管基于深度学习的道路场景分割能够达到很高的精度，但其复杂度也很高，难以开发实时应用。设计具有高精度和低计算复杂度的神经网络具有挑战性。为解决此问题，我们从速度、存储和分割精度方面考察了几种流行CNN架构的优缺点。我们从基于VGG的全卷积网络（FCN）出发，随后研究了ResNet和DenseNet。通过详实实验，我们从现有架构中选取有利组件，最终基于DenseNet构建了一个轻量级网络架构。我们提出的网络称为DSNet，展现出实时测试（推理）能力（在流行GPU平台上），且保持了与多数先前系统相当的精度。我们在多个数据集上测试了我们的系统，包括具有挑战性的Cityscapes数据集（分辨率1024x512），在单块GTX 1080Ti上达到约69.1%的mIoU以及每幅图像0.0147秒的运行时间。我们还设计了一个更精确的模型，但代价是速度较慢，其在CamVid数据集上达到约72.6%的mIoU。
引用
@article{arxiv.1904.05022,
title = {DSNet: An Efficient CNN for Road Scene Segmentation},
author = {Ping-Rong Chen and Hsueh-Ming Hang and Sheng-Wei Chan and Jing-Jhih Lin},
journal= {arXiv preprint arXiv:1904.05022},
year = {2019}
}