使用渐进分组的高效语义分割
计算机视觉与模式识别
2018-06-25 v1
摘要
用于语义分割的深度 CNN 具有高内存与运行时间需求。已有多种方法被提出以使 CNN 高效，如分组卷积、混洗卷积、深度可分离卷积。我们研究了这些技术在像 ERFNet 这样的实时语义分割架构上的有效性，以将运行时间提升 5 倍以上。我们部分或完全地将这类技术应用于 CNN 层，并在 Cityscapes 数据集上评估测试准确率。我们得到了准确率与参数量/FLOPs 的权衡，给出了可在指定运行时间预算下运行的模型的准确率分数。我们进一步提出了一种新颖的训练流程，其从稠密卷积开始，但逐渐演化为分组卷积。我们展示了我们所提出的训练方法与高效架构设计在使用深度可分离卷积应用于 ERFNet 编码器并接入轻量解码器时，可将准确率提升 8% 以上。这得到了一个模型，其 FLOPs 改善 5 倍，而相对于 ERFNet 仅损失 4% 的准确率。
引用
@article{arxiv.1806.08522,
title = {Efficient Semantic Segmentation using Gradual Grouping},
author = {Nikitha Vallurupalli and Sriharsha Annamaneni and Girish Varma and C V Jawahar and Manu Mathew and Soyeb Nagori},
journal= {arXiv preprint arXiv:1806.08522},
year = {2018}
}
备注
CVPR 2018 Workshop paper