Squeeze-SegNet：一种用于语义分割的新型快速深度卷积神经网络
计算机视觉与模式识别
2017-11-16 v1
摘要
深度卷积神经网络的近期研究聚焦于提升精度，取得了显著进展。然而，若曾局限于分类任务，如今随着投身该领域的科学界的贡献，它们已在目标检测和逐像素语义分割等更高层次任务中变得非常有用。因此，基于深度学习的语义分割领域的杰出思路已完善了精度的当前最佳水平，但这些架构在诸如自动驾驶等嵌入式系统中变得极难应用。我们提出了一种用于逐像素语义分割的新型深度全卷积神经网络，称之为 Squeeze-SegNet。该架构基于编码器-解码器风格。我们使用类 SqueezeNet 的编码器，以及由我们提出的 squeeze-decoder 模块和使用下采样索引的上采样层（如 SegNet 中那样）组成的解码器，并添加反卷积层以给出最终的多通道特征图。在 Camvid 或 City-states 等数据集上，我们的网络以不到 SegNet 十分之一的参数量获得了 SegNet 级别的精度。
引用
@article{arxiv.1711.05491,
title = {Squeeze-SegNet: A new fast Deep Convolutional Neural Network for Semantic Segmentation},
author = {Geraldin Nanfack and Azeddine Elhassouny and Rachid Oulad Haj Thami},
journal= {arXiv preprint arXiv:1711.05491},
year = {2017}
}
备注
The 10th International Conference on Machine Vision (ICMV 2017). arXiv admin note: text overlap with arXiv:1704.06857 by other authors