语义分割论文阅读——DDRNet：用于实时和准确的道路场景语义分割的深度双分辨率网络

摘要

语义分割是自动驾驶汽车理解周围场景的一项关键技术。如今模型出色的表现通常是以繁重的计算和冗长的推理时间为代价的，这对自动驾驶来说是不可容忍的。使用轻量级架构（编码器-解码器或双路径）或在低分辨率图像上进行推理，最近的方法实现了非常快的场景解析，甚至在单个1080Ti GPU上以超过100 FPS运行。然而，这些实时方法与基于dilation backbone的模型在性能上仍有很大差距。为了解决这个问题，我们提出了一个专门为实时语义分割设计的高效骨干网系列。所提出的深度双分辨率网络（DDRNets）由两个深度分支组成，在这两个分支之间进行多次双边融合。此外，我们设计了一个新的上下文信息提取器，名为深度聚合金字塔池模块（DAPPM），以扩大有效的感受野，并基于低分辨率特征图融合多尺度上下文。我们的方法在Cityscapes和CamVid数据集上实现了准确性和速度之间的新的最先进权衡。特别是，在单个2080Ti GPU上，DDRNet-23-slim在Cityscapes测试集上以102 FPS产生77.4%的mIoU，在CamVid测试集上以230 FPS产生74.7%的mIoU。在广泛使用测试增强的情况下，我们的方法优于大多数最先进的模型，并且需要更少的计算。代码和训练好的模型可以在线获得。
代码链接：Github-DDRNet
论文链接：https://arxiv.org/pdf/2101.06085v2.pdf

标注规则

红色加粗：关键字词句
紫色加粗：不足，缺点
绿色加粗：优点，优势

笔记

使用软件：Notion
链接：DDRNet