基于熵的特征提取用于实时语义分割
计算机视觉与模式识别
2022-07-08 v1 人工智能
摘要
本文介绍了一种高效的基于图像块的模块，称为基于熵的图像块编码器（EPE）模块，用于资源受限的语义分割。EPE 模块由三个轻量级的全卷积编码器组成，每个编码器从具有不同熵量的图像块中提取特征。高熵块由参数最多的编码器处理，中等熵块由参数中等的编码器处理，低熵块由最小的编码器处理。该模块背后的直觉是：由于高熵块包含更多信息，它们需要参数更多的编码器，这与低熵块不同，后者可以使用小型编码器处理。因此，通过较小的编码器处理部分图像块可以显著降低模块的计算成本。实验表明，EPE 可以在略微增加计算成本的情况下提升现有实时语义分割模型的性能。具体来说，EPE 将 DFANet A 的 mIOU 性能提高了 0.9%，而参数数量仅增加 1.2%；将 EDANet 的 mIOU 性能提高了 1%，模型参数增加 10%。
引用
@article{arxiv.2207.03233,
title = {Entropy-Based Feature Extraction For Real-Time Semantic Segmentation},
author = {Lusine Abrahamyan and Nikos Deligiannis},
journal= {arXiv preprint arXiv:2207.03233},
year = {2022}
}
备注
ICIP 2022