BiSeNet:用于实时语义分割的双向分割网络

目录

一、Title

二、Journal

三、Background

四、Model

五、Experiments

Experiment 1

Experiment 2

Experiment 3

Experiment 4

Experiment 5

论文阅读时间:2021-4-21 10:45:39


一、Title

BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation


二、Journal

2018 Europeon Conference on Computer Vision


三、Background

BiSeNet:用于实时语义分割的双向分割网络_第1张图片

实时语义分割主要有以下三种加速模型的主要方式(如图a所示,牺牲精度来提高速度):

1)通过resize或crop限制输入尺寸,来降低计算复杂度。这种方式虽然简单有效,但是会造成spatial details(空间细节)的丢失,尤其会破坏边界附近的预测。

2)减少通道数量来提高前向速度。这种方式弱化了spatial capacity(空间容量)。

3)放弃模型的最后stage,以追求一个非常紧凑的框架。如ENet。这种方式对于大目标来说感受野不够大,会导致判别能力较差。

为了弥补spatial details的丢失采用U型结构(如图b所示):

这种结构的缺点在于:

1)U-shape结构在高分辨率特征图上引入额外的计算,会降低模型速度。

2)被pruning或cropping丢失掉的spatial information,无法通过引入浅层修复。


四、Model

BiSeNet:用于实时语义分割的双向分割网络_第2张图片

1、Spatial Path

2、Context Path:先使用Xception快速下采样,后接全局pooling(下方白色小方块)。使用ARM,用于refine特征。上采样(双线性插值)到spatial path分支。

3、Feature Fusion Module:对细节特征和语义特征进行拼接,使用类似senet结构对信息进行整合。


五、Experiments

Experiment 1

BiSeNet:用于实时语义分割的双向分割网络_第3张图片

Experiment 2

BiSeNet:用于实时语义分割的双向分割网络_第4张图片

Experiment 3

BiSeNet:用于实时语义分割的双向分割网络_第5张图片

Experiment 4

BiSeNet:用于实时语义分割的双向分割网络_第6张图片

Experiment 5

BiSeNet:用于实时语义分割的双向分割网络_第7张图片


论文阅读时间:2021-4-21 10:45:39

 


 

你可能感兴趣的:(语义分割,计算机视觉,深度学习,自动驾驶,语义分割,实时语义分割)