ICNet 用于高分辨率图像的实时语义分割
本文提出了一种基于 light-weight general purpose architecture、light-weight upsampling 以及融合多重分辨率的特征来扩大接受域的语义分割方法,在多个数据集上获得显着的优越性能和较高的 MIoU 和帧率。
Mar, 2019
本文介绍了一种快速分割卷积神经网络(Fast-SCNN),它是一种高分辨率图像数据(1024x2048px)的半实时语义分割模型,适用于在低内存嵌入式设备上进行高效计算。该网络通过在多个分辨率分支上同时计算低级特征和高级特征,实现了高分辨率的空间细节与更低分辨率下提取的深度特征的结合,并在 Cityscapes 数据集上以每秒 123.5 帧的速度获得了 68.0%的平均交并比准确率。实验证明,预先培训规模的大规模预处理是不必要的。
Feb, 2019
本文提出了一种基于残差网络的高性能语义图像分割方法,并对不同变体的完全卷积残差网络进行了评估,进一步提出了用低分辨率网络模拟高分辨率网络的方法,引入了在线启动方法以及在一些残差块上应用的传统退化法,取得了在 PASCAL VOC 2012 数据集和 Cityscapes 上最好的平均重叠联合 75 的性能表现。
Apr, 2016
本文介绍了一种语义分割的方法,通过使用双列网络结构和特定区域的忽略来降低计算成本,并在保证较高质量的前提下实现每秒处理约 15 张高分辨率 Cityscapes 图像的能力,达到了 72.9%的平均交集联合得分。
Dec, 2017
本篇论文提出一种名为 ENet 的新型深度神经网络架构,其最大特点是快速、参数少,适用于对实时性要求较高的像素级语义分割任务,且在 CamVid、Cityscapes 和 SUN 等数据集上测试表明效果相对优于同类型已有网络。
Jun, 2016
本文提出了一个实时语义分割基准测试框架,包括特征提取和解码方法的分离设计,采用不同的网络架构和分割方法,在城市场景的 Cityscapes 数据集上进行了实验,并展示了与 SegNet 相比可实现 143 倍 GFLOPS 减少的优势。
Mar, 2018
ContextNet 提出了一种新的深度神经网络架构,利用分解卷积、网络压缩和金字塔表示等技术,实现了高效的全局上下文信息提取和高分辨率分割细节捕捉,从而在保持精度的前提下,降低了内存需求,实现了具备实时性和低存储成本的语义分割。
May, 2018
本文考虑了有效和高效的语义图像分割问题,将一种强大的语义分割结构 RefineNet 适应为更紧凑的结构,通过减少参数数量和浮点操作数量,实现了两倍以上的模型缩小,并保持了性能水平,使最快模型的速度从 20 FPS 提高到 55 FPS,并在 PASCAL VOC 测试集上具有坚实的 81.1%的平均 iou 性能;我们还展示了我们的方法与轻量级分类网络的容易集成能力,并仅使用 3.3M 参数和 9.3B 浮点操作完成 PASCAL VOC 的 79.2%均值 iou。
Oct, 2018