Panoptic-DeepLab:一种简洁、强劲且快速的自下而上全景分割基线
计算机视觉与模式识别
2020-03-12 v3
摘要
本工作中,我们介绍 Panoptic-DeepLab,一种简洁、强劲且快速的全景分割系统,旨在建立自下而上方法的坚实基线,其能在获得快速推理速度的同时达到与两阶段方法可比的性能。特别地,Panoptic-DeepLab 分别针对语义与实例分割采用了特定的双 ASPP 与双解码器结构。语义分割分支与任何语义分割模型的典型设计相同(例如 DeepLab),而实例分割分支是类无关的,涉及简单的实例中心回归。因此,我们的单一 Panoptic-DeepLab 同时在全部三个 Cityscapes 基准上排名第一,在测试集上创下 84.2% mIoU、39.0% AP 和 65.5% PQ 的新 SOTA。此外,配备 MobileNetV3 后,Panoptic-DeepLab 以近实时运行单张 1025x2049 图像(15.8 帧每秒),同时在 Cityscapes 上取得有竞争力的性能(测试集 54.1 PQ%)。在 Mapillary Vistas 测试集上,我们六个模型的集成达到 42.7% PQ,以 1.5% 的健康优势超越 2018 年挑战赛冠军。最后,我们的 Panoptic-DeepLab 在具挑战性的 COCO 数据集上也表现与若干自顶向下方法相当。我们首次展示了自下而上方法可交付全景分割的 SOTA 结果。
引用
@article{arxiv.1911.10194,
title = {Panoptic-DeepLab: A Simple, Strong, and Fast Baseline for Bottom-Up Panoptic Segmentation},
author = {Bowen Cheng and Maxwell D. Collins and Yukun Zhu and Ting Liu and Thomas S. Huang and Hartwig Adam and Liang-Chieh Chen},
journal= {arXiv preprint arXiv:1911.10194},
year = {2020}
}
备注
CVPR 2020