DeepGBASS: sügav juhitud piiriteadlik semantiline segmenteerimine

Kujutise semantilist segmenteerimist kasutatakse laialdaselt stseeni mõistmise rakendustes, nagu AI-kaamera, mis nõuavad suurt täpsust ja tõhusust. Süvaõpe on semantilise segmenteerimise tipptasemel märkimisväärselt edasi arenenud. Paljud hiljutised semantilise segmenteerimise tööd arvestavad aga ainult klasside täpsust ja ignoreerivad semantiliste klasside vaheliste piiride täpsusi. Semantilise piiri täpsuse parandamiseks pakume välja madala keerukusega sügavalt juhitud dekoodri (DGD) võrgud, mis on koolitatud uudse semantilise piiriteadliku õppimise (SBAL) strateegiaga. Meie linnavaadete ja ADE20K-32 ablatsiooniuuringud kinnitavad meie lähenemisviisi tõhusust erineva keerukusega võrguga. Näitame, et MobileNetEdgeTPU DeepLabi treenimisel ADE11K-1 andmestikul parandab meie DeepGBASS-lähenemine oluliselt mIoU suhtelist võimendust kuni 39.4% võrra ja keskmist piiri F20-skoori (mBF) kuni 32%.

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

Avaldatud: ICASSP 2022–2022 IEEE rahvusvaheline akustika, kõne ja signaalitöötluse konverents (ICASSP)

DOI: 10.1109/ICASSP43922.2022.9747892

Click siin lugema rohkem.