基于稠密检测的真实感全景分割
计算机视觉与模式识别
2020-04-07 v3 机器学习
摘要
全景分割是一项复杂的全场景解析任务，需要在高分辨率下同时进行实例分割与语义分割。当前最先进的方法无法实时运行，且为提升效率而简化这些架构会严重降低其精度。本文中，我们提出一种新的单阶段全景分割网络，其利用稠密检测与全局自注意力机制以实时运行，且性能接近最先进水平。我们引入一种新颖的无参数掩码构建方法，通过高效复用目标检测与语义分割子任务的信息，显著降低了计算复杂度。所得网络具有简单的数据流，无需特征图重采样或聚类后处理，从而实现了显著的硬件加速。我们在 Cityscapes 与 COCO 基准上的实验表明，我们的网络在 1024x2048 分辨率下以 30 FPS 工作，以相对当前最先进水平 3% 的性能下降换取了高达 440% 更快的推理速度。
引用
@article{arxiv.1912.01202,
title = {Real-Time Panoptic Segmentation from Dense Detections},
author = {Rui Hou and Jie Li and Arjun Bhargava and Allan Raventos and Vitor Guizilini and Chao Fang and Jerome Lynch and Adrien Gaidon},
journal= {arXiv preprint arXiv:1912.01202},
year = {2020}
}
备注
12 pages, 6 figures