用于语义分割的轻量且渐进可扩展网络
计算机视觉与模式识别
2022-07-28 v1
摘要
多尺度学习框架已被视为提升语义分割的一类有效模型。然而该问题并非易事，尤其对于现实部署，其通常对推理延迟效率有很高要求。在本文中，我们从轻量角度彻底分析了卷积块（卷积类型与卷积通道数）的设计以及跨多尺度的交互方式，均针对语义分割。通过此类深入比较，我们总结出三条原则，并相应设计了轻量且渐进可扩展网络（LPS-Net），其以贪心方式新颖地扩展网络复杂度。技术上，LPS-Net 首先利用这些原则构建微小网络。然后，LPS-Net 通过每次扩展单一维度（卷积块数量、通道数或输入分辨率）将微小网络渐进扩展为更大网络，以达成最佳速度/精度权衡。在三个数据集上的大量实验一致证明了 LPS-Net 优于几种高效语义分割方法。更显著的是，我们的 LPS-Net 在 Cityscapes 测试集上取得 73.4% mIoU，在 NVIDIA GTX 1080Ti 上速度为 413.5FPS，相较 SOTA 的 STDC 性能提升 1.5% 且加速 65%。代码见 \url{https://github.com/YihengZhang-CV/LPS-Net}。
引用
@article{arxiv.2207.13600,
title = {Lightweight and Progressively-Scalable Networks for Semantic Segmentation},
author = {Yiheng Zhang and Ting Yao and Zhaofan Qiu and Tao Mei},
journal= {arXiv preprint arXiv:2207.13600},
year = {2022}
}