RTSeg：实时语义分割比较研究
计算机视觉与模式识别
2020-05-19 v5
摘要
语义分割有益于机器人相关应用，尤其是自动驾驶。大多数语义分割研究仅致力于提升分割模型的精度，而很少关注计算高效的方案。少数朝此方向开展的工作并未提供评估不同分割设计选择的原则性方法。在本文中，我们通过提出一个具有特征提取与解码方法解耦设计的实时语义分割基准框架来弥补这一不足。该框架由 VGG16、Resnet18、MobileNet 和 ShuffleNet 等多种用于特征提取的网络架构组成，还包含定义解码方法的多个元架构（meta-architecture），如 SkipNet、UNet 和 Dilation Frontend。在城市场景的 Cityscapes 数据集上给出了实验结果。模块化设计催生了新颖的架构，与 SegNet 相比实现了 143 倍的 GFLOPs 削减。该基准框架已在 https://github.com/MSiam/TFSegmentation 公开。
引用
@article{arxiv.1803.02758,
title = {RTSeg: Real-time Semantic Segmentation Comparative Study},
author = {Mennatullah Siam and Mostafa Gamal and Moemen Abdel-Razek and Senthil Yogamani and Martin Jagersand},
journal= {arXiv preprint arXiv:1803.02758},
year = {2020}
}
备注
Accepted in IEEE ICIP 2018. IEEE Copyrights: Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses