深度学习论文: Lightweight and Progressively-Scalable Networks for Semantic Segmentation及其PyTorch实现
发布时间
阅读量：
阅读量
Lightweight Networks与逐步可扩展的网络结构在语义分割任务中取得显著成果
1 概述
LPSNet 首先构建一个微型网络。接着, LPSNet 逐次扩展单一维度（卷积块的数量、通道的数量或输入分辨率），从而发展成更大规模的网络结构，并旨在实现效率与准确性的平衡。
LPSNet 在 Cityscapes 上实现了 73.4% mIoU 和 413.5FPS 的速度。
2 LSPNet
LPSNet 基于多路径架构的设计方案中, 对输入图像进行多尺度缩放处理, 通过同一网络模型进行处理, 最后各子网络的特征图经融合后通过分割头生成最终预测结果。
LPSNet 在设计的过程中遵循三个原则：
基于LPSNet架构需求，在其网络结构中采用了标准卷积模块取代了传统深度可分离卷积设计；
通过指数级增长策略合理分配各层网络单元间的通道数量；
通过引入Multi-Path交互模块，在LPSNet网络架构的第3、4及5个主要处理阶段后有效整合了各分支特征；
Multi-Path Interaction
各图表分别展示了不同交互结构的设计方案及其对比实验结果, 通过详细分析可见, 模型Bilateral-B在性能上表现更为卓越, 同时呈现出最低的延迟水平.
3 Experiments
全部评论 (0)
还没有任何评论哟~