多出口语义分割网络
计算机视觉与模式识别
2022-08-02 v3 机器学习
摘要
语义分割作为许多视觉系统的支柱而出现，范围从自动驾驶汽车和机器人导航到增强现实与远程会议。其频繁地在有限资源包内严格的延迟约束下运行，使得优化高效执行变得重要。同时，目标平台的异构能力以及不同应用的多样化约束要求设计和训练多个特定目标的分割模型，导致过高的维护成本。为此，我们提出一个将最先进分割 CNN 转换为多出口语义分割（MESS）网络的框架：经过专门训练的模型，沿其深度采用参数化早期出口以 i) 在推理时对有较易样本动态节省计算以及 ii) 通过提供训练后可定制的精度-速度权衡来节省训练和维持成本。朴素地设计和训练此类网络会损害性能。因此，我们提出一种用于多出口网络的新型两阶段训练方案。此外，MESS 的参数化使得在部署时通过穷举搜索在 <1 GPUh 内共同优化所附分割头的数量、放置与架构以及出口策略。这使得 MESS 能快速适应每个目标用例的设备能力与申请需求，提供一次训练-随处部署的解决方案。与原骨干网络相比，MESS 变体以相同精度实现高达 2.83 倍的延迟收益，或以相同计算预算实现 5.33 个百分点更高的精度。最后，与最先进技术相比，MESS 提供数量级更快的架构定制。
引用
@article{arxiv.2106.03527,
title = {Multi-Exit Semantic Segmentation Networks},
author = {Alexandros Kouris and Stylianos I. Venieris and Stefanos Laskaridis and Nicholas D. Lane},
journal= {arXiv preprint arXiv:2106.03527},
year = {2022}
}
备注
(Extended version) Accepted at ECCV 2022