科研之友
微信
新浪微博
Facebook
分享链接
摘要
深度神经网络(DNNs)虽已在语义分割领域取得极大成功,但要实现实时推理仍然是一项巨大挑战。大量特征通道、参数与浮点运算极大延缓了网络的推理速度,导致无法满足诸如机器人控制、自动驾驶等实时任务要求。现有大多数方法是通过牺牲空间分辨率来加速推理,往往导致推理结果准确率下降。针对此问题,提出一种新的轻量级阶段池化语义分割网络(SPSSN)。该网络可以保留浅层学习得到的重要特征并在后续层中重复使用。SPSSN以2048×1024的全分辨率图像作为输入,网络模型仅包含1.42×106参数。在无预训练情况下,在Cityscapes数据集上可达到69.4%的mIoU精度,推理速度则可达到每秒59帧。由于SPSSN结构轻巧,它可以在移动设备上实时运行。最后,为验证本文方法有效性,与当前最优网络进行了对比。
- 单位
