典型文献
基于高效的多尺度特征提取的轻量级语义分割
文献摘要：
近来移动端视觉应用的发展激发了对轻量级语义分割技术的需求.尽管取得了十分辉煌的成就,当前轻量级语义分割模型仍存在精度不足、参数过多的问题.本文的目的在于开发一个具有少量参数的高精度分割模型.为此,本文基于以下观察提出了一种新的轻量级分割模型MiniNet:(1)语义分割依赖于多尺度特征学习;(2)下采样是加速网络推理和扩大卷积感受野的最有效方法;(3)网络深度和卷积通道数之间的良好平衡对于轻量级模型至关重要.具体来说,MiniNet采用空间金字塔卷积(Spatial Pyramid Convolution,SPC)模块和空间金字塔池化(Spatial Pyramid Pooling,SPP)模块作为多尺度特征学习的基本单元.此外,MiniNet将大多数网络层和操作放在较小的尺度上,即原始图像分辨率的1/16,而不是先前模型中常用的1/8尺度.MiniNet还设法平衡网络深度和卷积通道数.在没有ImageNet预训练的情况下,MiniNet在Cityscapes测试数据集上仅以211K参数和94.3fps的速度即可达到66.3％的mloU.
文献关键词：
语义分割;轻量级语义分割;快速语义分割;图像分割;轻量级网络
中图分类号：
作者姓名：
刘云;陆承泽;李仕杰;张乐;吴宇寰;程明明
作者机构：
南开大学计算机学院 天津 300350;波恩大学信息系统与人工智能系 波恩53115德国;新加坡科技研究局 新加坡138632新加坡
文献出处：
引用格式：
[1]刘云;陆承泽;李仕杰;张乐;吴宇寰;程明明-.基于高效的多尺度特征提取的轻量级语义分割)[J].计算机学报,2022(07):1517-1528
A类：
MiniNet,211K,3fps,mloU
B类：
多尺度特征提取,轻量级语义分割,近来,移动端,端视,视觉应用,语义分割技术,分割模型,多尺度特征学习,下采样,大卷,感受野,通道数,轻量级模型,具体来说,金字塔卷积,Spatial,Pyramid,Convolution,SPC,空间金字塔池化,Pooling,SPP,基本单元,网络层,原始图像,图像分辨率,先前,设法,ImageNet,预训练,Cityscapes,测试数据,快速语义分割,图像分割,轻量级网络
AB值：
0.31959
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
