DeepGBASS: Segmentasi Semantik Sadar Batas Terpandu Dalam

Segmentasi semantik gambar banyak digunakan dalam aplikasi pemahaman pemandangan, seperti AI Camera, yang memerlukan akurasi dan efisiensi tinggi. Pembelajaran mendalam telah secara signifikan memajukan kecanggihan dalam segmentasi semantik. Namun, banyak dari karya segmentasi semantik baru-baru ini hanya mempertimbangkan keakuratan kelas dan mengabaikan akurasi pada batas antar kelas semantik. Untuk meningkatkan akurasi batas semantik, kami mengusulkan jaringan Deep Guided Decoder (DGD) dengan kompleksitas rendah, dilatih dengan strategi Semantic Boundary-Aware Learning (SBAL) baru. Studi ablasi kami pada Cityscapes dan ADE20K-32 mengkonfirmasi efektivitas pendekatan kami dengan jaringan dengan kompleksitas berbeda. Kami menunjukkan bahwa pendekatan DeepGBASS kami secara signifikan meningkatkan mIoU hingga 11% perolehan relatif dan batas rata-rata skor F1 (mBF) hingga 39.4% saat melatih MobileNetEdgeTPU DeepLab pada kumpulan data ADE20K-32.

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

Diterbitkan di: ICASSP 2022 – Konferensi Internasional IEEE tentang Akustik, Pidato, dan Pemrosesan Sinyal (ICASSP) 2022

DOI: 10.1109/ICASSP43922.2022.9747892

Klik di sini untuk membaca lebih lanjut.