Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes解读
论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9042876 年份为：2020
关键词：轻量级、精度和速度的更好平衡
一、工作
- 开发了一种高性能实时分割网络。
- 该网络旨在用于分割城市街道的景色。
- 该网络优化了速度与精度的平衡关系。
- 上图：
和主流的一些网路的对比
2.用到的模块：
characteristic Atrous Spatial Pyramid Pooling (ASPP) is a technique designed to extract information from pooling layers of varying sizes. It enriches the feature representations of the encoder, making them more distinct, and is used for detecting objects at multiple scales.
spatial detail-preserving network/SPN 的作用：该网络通过包含轻量级卷积层实现高分辨率特征图生成，并有效保留空间细节信息。
（3）特征融合网络FFN用于高效地将分别来自DSPP和SPN的deep and shallow features进行融合。
（4）基线：基于空洞卷积和注意力机制的轻量化基线网络（LBN-AA）
下面是这些模块和整体的结构图：
网络结构
3.表现
cityscapes：73.6%miou（test），51.0fps。camid：68.0%miou（test），39.3fps
网络的表现 cityscapes test
思考： 从实验结果来看，在实际应用中若采用高分辨率输入，则计算能力会显著提升。该网络架构及其几个精度提升模块具有一定的参考价值。然而需要注意的是，在当前设置下（如448×896像素），尽管其浮点运算性能（FLOPS）略高于当前主流模型如ERFNet、ICNet等，在实际应用中若采用更高分辨率输入，则计算能力会显著提升。另外值得注意的是，在当前设置下（如448×896像素），尽管其浮点运算性能（FLOPS）略高于当前主流模型如ERFNet、ICNet等，在实际应用中若采用更高分辨率输入，则计算能力会显著提升。另外需要注意的是