DeepGBASS: تجزئة دلاليّة موجّهة للحدود

DeepGBASS: تجزئة دلاليّة موجّهة للحدود

الطابع الزمني: 18 كانون الثاني (يناير) 2023 ، الساعة 3:01 صباحًا
عقدة المصدر: 1907297
التصنيع والتغليف والمواد

صفحات بيضاء

استخدام شبكات فك الترميز (DGD) ذات التوجيه العميق ، المدربة باستراتيجية جديدة للتعلم الدلالي الواعي للحدود (SBAL) ، من أجل تحسين دقة الحدود الدلالية.

شعبية

يتم استخدام التجزئة الدلالية للصور في كل مكان في تطبيقات فهم المشهد ، مثل كاميرا AI ، والتي تتطلب دقة وكفاءة عالية. لقد طور التعلم العميق بشكل كبير أحدث ما توصلت إليه التكنولوجيا في التجزئة الدلالية. ومع ذلك ، فإن العديد من أعمال التجزئة الدلالية الحديثة تأخذ في الاعتبار دقة الفئة فقط وتتجاهل الدقة عند الحدود بين الفئات الدلالية. لتحسين دقة الحدود الدلالية ، نقترح شبكات منخفضة التعقيد لفك الشفرة (DGD) ، مدربة باستراتيجية جديدة للتعلم الدلالي الواعي للحدود (SBAL). تؤكد دراساتنا حول الاجتثاث على مناظر المدينة و ADE20K-32 فعالية نهجنا مع شبكة من التعقيدات المختلفة. نوضح أن نهج DeepGBASS الخاص بنا يعمل بشكل كبير على تحسين mIoU بنسبة تصل إلى 11٪ ربح نسبي ومتوسط ​​درجة F1 (mBF) بنسبة تصل إلى 39.4٪ عند تدريب MobileNetEdgeTPU DeepLab على مجموعة بيانات ADE20K-32.

المؤلف: Qingfeng Liu، Hai Su، Mustafa El-Khamy، Kee-Bong Song، of SOC Multimedia R&D، Samsung Semiconductor، Inc.، USA

نشرت في: ICASSP 2022 - 2022 المؤتمر الدولي IEEE حول الصوتيات والكلام ومعالجة الإشارات (ICASSP)

دوى: 10.1109 / ICASSP43922.2022.9747892

انقر هنا لقراءة المزيد.

الطابع الزمني:

اكثر من شبه هندسة