Lightweight and Progressively-Scalable Networks for Semantic Segmentation
27 July, 2022
作者: Yiheng Zhang, Ting Yao, Zhaofan Qiu, Tao Mei
单位：JD Explore Academy
原文：https://arxiv.org/abs/2207.13600
开源：https://github.com/YihengZhang-CV/LPS-Net
摘要：多尺度学习框架被认为是一类能够促进语义分割的模型。然而，这个问题并不是微不足道的，尤其是对于现实世界的部署，这通常需要高效的推理延迟。在本文中，我们彻底分析了卷积块的设计（卷积的类型和卷积中通道的数量），以及跨多个尺度的交互方式，所有这些都是从语义分割的轻量级角度出发的。通过这种深入的比较，我们总结了三条原则，并据此设计了轻量级渐进可扩展网络（LPS-Net），该网络以贪婪的方式扩展了网络复杂性。从技术上讲，LPS Net首先利用这些原则构建了一个小型网络。然后，LPS Net通过一次扩展一个维度（卷积块的数量、通道的数量或输入分辨率），逐步将微型网络扩展到更大的网络，以达到最佳的速度/精度权衡。在三个数据集上进行的大量实验一致证明了LPS网络优于几种有效的语义分割方法。更值得注意的是，我们的LPS网络在Cityscapes测试集上实现了73.4%的mIoU，在NVIDIA GTX 1080Ti上的速度为413.5FPS，与最先进的STDC相比，性能提高了1.5%，速度提高了65%。代码位于\url{https://github.com/YihengZhang-CV/LPS-Net}.
网友评论