ESNet：一种用于实时语义分割的高效对称网络
计算机视觉与模式识别
2019-06-25 v1
摘要
近年来，利用深度卷积神经网络 (DCNNs) 的语义分割取得了巨大进展。然而，大量的卷积层和特征通道使得语义分割成为计算繁重的任务，不利于资源受限的场景。本文中，我们设计了一种高效的对称网络，称为 ESNet，以解决该问题。整个网络具有近乎对称的架构，主要由一系列分解卷积单元 (FCU) 及其并行对应单元 (PFCU) 组成。一方面，FCU 在残差层中采用了广泛使用的 1D 分解卷积。另一方面，并行版本在残差模块的设计中采用了变换-分割-变换-合并策略，其中分割分支采用不同膨胀率的膨胀卷积以扩大感受野。我们的模型具有近 1.6M 参数，并能够在单块 GTX 1080Ti GPU 上以超过 62 FPS 的速度运行。实验表明，我们的方法在 CityScapes 数据集上实时语义分割的速度与精度权衡方面取得了最先进的结果。
引用
@article{arxiv.1906.09826,
title = {ESNet: An Efficient Symmetric Network for Real-time Semantic Segmentation},
author = {Yu Wang and Quan Zhou and Xiaofu Wu},
journal= {arXiv preprint arXiv:1906.09826},
year = {2019}
}
备注
12 pages, 3 figures, 4 tables, submitted. Code can be found at https://github.com/xiaoyufenfei/ESNet