DeepGBASS: Deep Guided Boundary Aware Semantic Segmentation

Kuvan semanttista segmentointia käytetään kaikkialla kohtauksen ymmärtämissovelluksissa, kuten AI Camera, jotka vaativat suurta tarkkuutta ja tehokkuutta. Syväoppiminen on merkittävästi edistänyt semanttisen segmentoinnin huippua. Kuitenkin monet viimeaikaiset semanttiset segmentointityöt huomioivat vain luokan tarkkuuden ja jättävät huomiotta semanttisten luokkien välisten rajojen tarkkuudet. Semanttisen rajan tarkkuuden parantamiseksi ehdotamme matalan monimutkaisuuden Deep Guided Decoder (DGD) -verkkoja, jotka on koulutettu uudella Semantic Boundary-Aware Learning (SBAL) -strategialla. Ablaatiotutkimuksemme kaupunkimaisemista ja ADE20K-32:sta vahvistavat lähestymistapamme tehokkuuden erilaisissa monimutkaisissa verkostoissa. Osoitamme, että DeepGBASS-lähestymistapamme parantaa merkittävästi mIoU:ta jopa 11 % suhteellisella vahvistuksella ja keskimääräistä F1-pistemäärää (mBF) jopa 39.4 %, kun harjoittelemme MobileNetEdgeTPU DeepLabia ADE20K-32-tietojoukossa.

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

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

DOI: 10.1109/ICASSP43922.2022.9747892

Napauta tätä lue lisää.