空间信息引导的自适应上下文感知网络用于高效 RGB-D 语义分割
计算机视觉与模式识别
2023-08-14 v1
摘要
高效 RGB-D 语义分割在移动机器人中备受关注,其在分析与识别环境信息方面起着至关重要的作用。据先前研究,深度信息可为物体与场景提供相应几何关系,但实际深度数据通常存在噪声。为避免对分割精度与计算产生不利影响,有必要设计高效框架以利用跨模态相关性与互补线索。本文提出一种高效轻量编码器-解码器网络,在减少计算参数的同时保证算法鲁棒性。结合通道与空间融合注意力模块,我们的网络有效捕获多级 RGB-D 特征。提出一种全局引导的局部亲和上下文模块以获取充分高层上下文信息。解码器利用轻量残差单元,以极少冗余计算融合短距离与长距离信息。在 NYUv2、SUN RGB-D 与 Cityscapes 数据集上的实验结果表明,相较 SOTA 方法,我们的方法在分割精度、推理时间与参数之间取得更优权衡。源代码将发布于 https://github.com/MVME-HBUT/SGACNet
引用
@article{arxiv.2308.06024,
title = {Spatial-information Guided Adaptive Context-aware Network for Efficient RGB-D Semantic Segmentation},
author = {Yang Zhang and Chenyun Xiong and Junjie Liu and Xuhui Ye and Guodong Sun},
journal= {arXiv preprint arXiv:2308.06024},
year = {2023}
}
备注
Accepted by IEEE Sensors Journal