DeepGBASS: Segmentación semántica consciente de límites guiada profunda

La segmentación semántica de imágenes se utiliza de forma ubicua en aplicaciones de comprensión de escenas, como AI Camera, que requieren alta precisión y eficiencia. El aprendizaje profundo ha avanzado significativamente en el estado del arte en segmentación semántica. Sin embargo, muchos de los trabajos recientes de segmentación semántica sólo consideran la precisión de las clases e ignoran las precisiones en los límites entre clases semánticas. Para mejorar la precisión de los límites semánticos, proponemos redes de decodificador guiado profundo (DGD) de baja complejidad, entrenadas con una novedosa estrategia de aprendizaje consciente de los límites semánticos (SBAL). Nuestros estudios de ablación sobre paisajes urbanos y el ADE20K-32 confirman la eficacia de nuestro enfoque con una red de diferentes complejidades. Mostramos que nuestro enfoque DeepGBASS mejora significativamente el mIoU hasta en un 11% de ganancia relativa y el límite medio de puntuación F1 (mBF) hasta en un 39.4% cuando se entrena MobileNetEdgeTPU DeepLab en el conjunto de datos ADE20K-32.

Autores: Qingfeng Liu, Hai Su, Mostafa El-Khamy, Kee-Bong Song, de SOC Multimedia R&D, Samsung Semiconductor, Inc., EE. UU.

Publicado en: ICASSP 2022 – 2022 Conferencia internacional IEEE sobre acústica, habla y procesamiento de señales (ICASSP)

DOI: 10.1109/ICASSP43922.2022.9747892

Haga Clic en esta página para leer mas