用于实时语义分割的非对称卷积高效密集模块
计算机视觉与模式识别
2020-01-01 v3
摘要
实时语义分割在自动驾驶和机器人等实际应用中起着重要作用。大多数语义分割研究侧重于提高估计精度，很少考虑效率。先前几项强调高速推理的研究往往无法产生高精度的分割结果。本文提出一种名为非对称卷积高效密集模块（EDANet）的新型卷积网络，其采用非对称卷积结构，并结合空洞卷积与密集连接，以在低计算成本与模型尺寸下实现高效率。EDANet比现有的快速分割网络ICNet快2.7倍，同时在无任何额外上下文模块、后处理方案及预训练模型的情况下取得了相近的mIoU分数。我们在Cityscapes和CamVid数据集上评估EDANet，并与其他最先进系统进行比较。我们的网络在单块GTX 1080Ti上以高分辨率输入可达108 FPS的速度运行。
引用
@article{arxiv.1809.06323,
title = {Efficient Dense Modules of Asymmetric Convolution for Real-Time Semantic Segmentation},
author = {Shao-Yuan Lo and Hsueh-Ming Hang and Sheng-Wei Chan and Jing-Jhih Lin},
journal= {arXiv preprint arXiv:1809.06323},
year = {2020}
}
备注
Accepted in ACM International Conference on Multimedia in Asia (MMAsia) 2019 [Best Paper Award]