Abstract
低级细节和高级语义对语义分割任务都至关重要。然而,为了加快模型推断,当前方法几乎总是牺牲低层次的细节,这导致准确性大幅下降。
这篇文章提出分别处理这些空间细节和分类语义,以实现实时语义分割的高精度和高效率。
为此,作者提出了一个高效和有效的架构,在速度和准确性之间进行良好的权衡,称为双边分割网络(BiSeNet V2)。
该架构包括:
(i)具有宽通道和浅层的细节分支,以捕获低级细节并生成高分辨率表征; (ii)语义分支,具有窄通道和深层以获得高级语义上下文。
由于减少了通道容量和快速下采样策略,语义分支是轻量的。
此外,作者设计了一个引导聚合层,以增强相互连接,并融合两种类型的表征。
此外,作者设计了一个 booster 训练策略, 旨在提高分割性能,而无需任何额外的推理成本。
Concluding Remarks
作者观察到,语义分割任务需要低级细节和高级语义。
作者提出了一种新的架构来分别处理空间细节和类别语义,称为双边分割网络(BiSeNetV2)。
BiSeNetV2框架是一个通用架构,大多数卷积模型都可以实现。
-
Previous
【深度学习】YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications -
Next
【深度学习】Spatial as Deep(SCNN): Spatial CNN for Traffic Scene Understanding