面向语义分割的实时骨干网络
计算机视觉与模式识别
2019-03-19 v1
摘要
近年来自动驾驶的快速发展给场景理解带来了诸多挑战。作为场景理解的关键一步，语义分割在过去几年中受到大量关注。尽管基于深度学习的当前最优方法在提升分割精度上取得巨大成功，但它们大多存在效率低下的问题，难以应用于实际场景。本文系统分析了卷积神经网络(CNN)的计算代价，发现CNN的低效主要由其宽结构而非深结构引起。此外，基于剪枝的模型压缩方法的成功证明CNN中存在许多冗余通道。因此，我们设计了一种极窄而深的骨干网络以提升语义分割效率。将我们的网络接入FCN32分割架构(大多数分割方法的基础结构)，在Cityscape val数据集上以输入取得54帧每秒(FPS)下60.6\% mIoU，已优于最早基于实时深度学习的分割方法之一：ENet。
引用
@article{arxiv.1903.06922,
title = {Real time backbone for semantic segmentation},
author = {Zhengeng Yang and Hongshan Yu and Qiang Fu and Wei Sun and Wenyan Jia and Mingui Sun and Zhi-Hong Mao},
journal= {arXiv preprint arXiv:1903.06922},
year = {2019}
}
备注
6pages