MMSep, 2018

用于实时语义分割的高效非对称卷积密集模块

PDF
TL;DR本文提出一种卷积神经网络结构，命名为 Efficient Dense modules with Asymmetric convolution (EDANet)，它采用不对称卷积结构和膨胀卷积和稠密连接并具有低计算成本和模型大小，比现有的快速分割网络 ICNet 快 2.7 倍，并且在没有任何附加上下文模块、后处理方案和预训练模型的情况下实现类似的 mIoU 得分。在 Cityscapes 和 CamVid 数据集上评估 EDANet，与其他最先进的系统进行比较。我们的网络可以在一台 GTX 1080Ti 上以 108 FPS 的速度运行。
real-time semantic segmentationefficient dense modules with asymmetric convolution (edanet)dilated convolutiondense connectivityhigh efficiency
发现论文，激发创造
  • DABNet：实时语义分割的深度异向瓶颈

    本文提出了一种名为深度不对称瓶颈网络（DABNet）的语义分割神经网络，通过采用新颖的 Depthwise Asymmetric Bottleneck (DAB) 模块，融合了深度卷积和空洞卷积，在保持较高精度的同时也实现了实时性，对于自主系统和机器人仍具有较高的实用价值。

    Jul, 2019

  • ESPNet: 高效的扩张空洞卷积空间金字塔用于语义分割

    ESPNet 是一种快速高效的卷积神经网络，用于在资源受限情况下对高分辨率图像进行语义分割，基于新的卷积模块，即高效空间金字塔（ESP），在计算、内存和功耗方面都很高效。它比目前最先进的语义分割网络 PSPNet 快 22 倍（在标准 GPU 上），体积小 180 倍，而其类别准确率只有 8% 左右。我们在各种语义分割数据集上评估了 ESPNet，包括 Cityscapes、PASCAL VOC 和一个乳腺活检全扫描图像数据集。在相同的内存和计算限制下，ESPNet 在标准度量和我们新引入的在边缘设备上测量效率的性能指标上均优于当前所有高效 CNN 网络，如 MobileNet、ShuffleNet 和 ENet。我们的网络可以在标准 GPU 上以每秒 112 帧和边缘设备上以每秒 9 帧的速度处理高分辨率图像。

    Mar, 2018

  • 用于实时准确地对道路场景进行语义分割的深度双分辨率网络

    提出了一组高效的卷积神经网络骨干架构，通过双分辨率融合和深度上下文聚合金字塔池化模块，实现了在 Cityscapes 和 CamVid 数据集上的优于现有模型的精度和速度的实时语义分割。

    Jan, 2021

  • 实时语义分割的空间助理编码器 - 解码器网络

    自动驾驶汽车的语义分割是理解周围环境的关键技术。研究通过融合编码器 - 解码器和两通道架构，提出了空间助理编码器 - 解码器网络（SANet），并在设计中利用不同分辨率的特征提取和池化模块以优化特征提取和实现语义提取，最终在实时 CamVid 和 Cityscape 数据集上达到竞争性的结果。

    Sep, 2023

  • 使用不对称标注的实时联合语义分割和深度估计

    利用深度学习模型在机器人中作为感知信息提取器的部署，有许多困难之处。本文着重探讨了其中三个最显著的障碍，即如何将单个模型适应于同时执行多个任务的需求、如何实现实时性、以及如何使用具有不对等标注数量的非对称数据集。通过使用实时语义分割网络和知识蒸馏的简单解决方案，我们将这些障碍一一克服。最终，我们的系统可以方便地扩展，使用单个模型同时处理更多任务和未来更多的数据集，能够在室内和室外分别执行深度估计和分割，并在 640x480 像素的输入上只需要一个前向通道即可实现 13ms 和 6.5 GFLOPs 成本的效果，从而直接将其用于场景的 3D 语义重建中。

    Sep, 2018

  • 城市街景的实时高性能语义图像分割

    本文提出了一种用于城市街景的语义分割的高性能深卷积神经网络方法，它实现了精度和速度之间的良好权衡，并展示了在实时速度下使用单个 NVIDIA TITAN X 卡片在具有挑战性的 Cityscapes 和 CamVid 测试数据集上分别实现了 73.6％和 68.0％的 mIoU 精度。

    Mar, 2020

  • 空洞卷积多尺度上下文聚合

    本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。同时，作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

    Nov, 2015

  • Fast-SCNN: 快速语义分割网络

    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

  • 实时语义分割中，对膨胀卷积的再思考

    本研究设计了一种双并行、使用不同扩张率的卷积层的 ResNeXt，以提高区域感知率和保留局部细节，进而实现语义分割，并在实时 Cityscapes 和 CamVid 数据集上取得迄今最优成果。

    Nov, 2021

  • EDCNN: 基于边缘增强的稠密连接网络与复合损失用于低剂量 CT 图像去噪

    该研究提出基于边缘增强的密集连接卷积神经网络（EDCNN）用于低剂量 CT 图像去噪，并引入混合损失函数以增强模型去噪效果，取得了较好的效果。

    Oct, 2020