LRNNet：一种具有高效精简非局部操作的轻量级实时语义分割网络
计算机视觉与模式识别
2020-06-05 v1
摘要
近期轻量级神经网络的发展推动了深度学习在资源受限与移动应用下的部署。其中许多应用需要借助轻量级网络对语义分割进行实时且高效的预测。本文提出一种带有高效精简非局部模块（LRNNet）的轻量级网络，用于高效且实时的语义分割。我们在 ResNet 风格编码器中提出因子化卷积块，以实现更轻量、高效且强大的特征提取。同时，我们提出的精简非局部模块利用空间区域主导奇异向量，以更低的计算与内存代价实现精简且更具代表性的非局部特征整合。实验证明了我们在轻量、速度、计算与精度之间的优越权衡。无需额外处理与预训练，LRNNet 在 Cityscapes 测试集上仅使用精细标注数据训练即取得 72.2% mIoU，参数仅 0.68M，并在 GTX 1080Ti 卡上达到 71 FPS。
引用
@article{arxiv.2006.02706,
title = {LRNNet: A Light-Weighted Network with Efficient Reduced Non-Local Operation for Real-Time Semantic Segmentation},
author = {Weihao Jiang and Zhaozhi Xie and Yaoyi Li and Chang Liu and Hongtao Lu},
journal= {arXiv preprint arXiv:2006.02706},
year = {2020}
}
备注
To appear in icme2020workshop(MMC)