用于实时语义分割的特征金字塔编码网络
计算机视觉与模式识别
2019-09-19 v1
摘要
尽管当前深度学习方法在语义分割上已取得令人印象深刻的成果，但它们计算成本高且参数量巨大。对于实时应用，推理速度与内存占用是两个重要因素。为应对该挑战，我们提出一种轻量级特征金字塔编码网络（FPENet），以在精度与速度间取得良好权衡。具体而言，我们在编码器的所有阶段使用特征金字塔编码块，通过深度可分离空洞卷积编码多尺度上下文特征。解码器中引入了互嵌入上采样模块，以高效聚合高层语义特征与低层空间细节。所提网络在 Cityscapes 与 CamVid 基准数据集上以更少参数与更快推理速度优于现有实时方法。具体而言，FPENet 在 Cityscapes 测试集上以仅 0.4M 参数和 NVIDIA TITAN V GPU 上 102 FPS 的速度达到 68.0% 平均 IoU。
引用
@article{arxiv.1909.08599,
title = {Feature Pyramid Encoding Network for Real-time Semantic Segmentation},
author = {Mengyu Liu and Hujun Yin},
journal= {arXiv preprint arXiv:1909.08599},
year = {2019}
}
备注
Accepted to BMVC 2019