DeepGBASS: Deep Guided Boundary-Aware Semantic Segmentation

Die semantische Bildsegmentierung wird allgegenwärtig in Anwendungen zum Szenenverständnis verwendet, wie z. B. KI-Kameras, die eine hohe Genauigkeit und Effizienz erfordern. Deep Learning hat den Stand der Technik in der semantischen Segmentierung erheblich weiterentwickelt. Viele neuere semantische Segmentierungsarbeiten berücksichtigen jedoch nur die Klassengenauigkeit und ignorieren die Genauigkeiten an den Grenzen zwischen semantischen Klassen. Um die Genauigkeit semantischer Grenzen zu verbessern, schlagen wir Deep Guided Decoder (DGD)-Netzwerke geringer Komplexität vor, die mit einer neuartigen Semantic Boundary-Aware Learning (SBAL)-Strategie trainiert werden. Unsere Ablationsstudien zu Stadtlandschaften und dem ADE20K-32 bestätigen die Wirksamkeit unseres Ansatzes bei Netzwerken unterschiedlicher Komplexität. Wir zeigen, dass unser DeepGBASS-Ansatz die mIoU um bis zu 11 % relative Verstärkung und den mittleren Grenz-F1-Score (mBF) um bis zu 39.4 % verbessert, wenn MobileNetEdgeTPU DeepLab auf dem ADE20K-32-Datensatz trainiert wird.

Autoren: Qingfeng Liu, Hai Su, Mostafa El-Khamy, Kee-Bong Song, von SOC Multimedia R&D, Samsung Semiconductor, Inc., USA

Veröffentlicht in: ICASSP 2022 – 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

DOI: 10.1109/ICASSP43922.2022.9747892

Klicken Sie auf Kostenlos erhalten und dann auf Installieren. hier um mehr zu lesen.