通过自动深度、下采样联合决策与特征聚合的实时语义分割
计算机视觉与模式识别
2020-04-01 v1
摘要
为满足实时语义分割领域对计算资源的严苛要求，多数方法侧重于轻量级分割网络的手工设计。近来，神经架构搜索（Neural Architecture Search, NAS）已被用于自动搜索网络的最优构建模块，但网络深度、下采样策略和特征聚合方式仍由试错法预先设定。在本文中，我们提出一种称为 AutoRTNet 的联合搜索框架，以自动化设计这些策略。具体而言，我们提出超单元（hyper-cells）来联合决定网络深度与下采样策略，并提出一种聚合单元以实现自动的多尺度特征聚合。实验结果表明，在 768x1536 输入图像下，AutoRTNet 在 Cityscapes 测试集上取得 73.9% 的 mIoU，并在 NVIDIA TitanXP GPU 卡上达到 110.0 FPS。
引用
@article{arxiv.2003.14226,
title = {Real-Time Semantic Segmentation via Auto Depth, Downsampling Joint Decision and Feature Aggregation},
author = {Peng Sun and Jiaxiang Wu and Songyuan Li and Peiwen Lin and Junzhou Huang and Xi Li},
journal= {arXiv preprint arXiv:2003.14226},
year = {2020}
}
备注
submitted to IJCV