DeepGBASS: 심층적인 경계 인식 의미론적 분할

이미지 의미론적 분할은 높은 정확도와 효율성이 요구되는 AI 카메라와 같은 장면 이해 애플리케이션에서 유비쿼터스로 사용됩니다. 딥 러닝은 시맨틱 분할에서 최첨단 기술을 크게 발전시켰습니다. 그러나 최근의 많은 시맨틱 분할 작업은 클래스 정확도만 고려하고 시맨틱 클래스 간의 경계에서의 정확도는 무시합니다. 의미론적 경계 정확도를 향상시키기 위해 우리는 새로운 SBAL(Semantic Boundary-Aware Learning) 전략으로 훈련된 낮은 복잡도의 DGD(Deep Guided Decoder) 네트워크를 제안합니다. Cityscapes 및 ADE20K-32에 대한 우리의 절제 연구는 다양한 복잡성의 네트워크에 대한 접근 방식의 효율성을 확인합니다. DeepGBASS 접근 방식은 ADE11K-1 데이터 세트에서 MobileNetEdgeTPU DeepLab을 교육할 때 mIoU를 최대 39.4%의 상대 이득 및 평균 경계 F20-점수(mBF)를 최대 32%까지 크게 개선한다는 것을 보여줍니다.

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

에 게시 : ICASSP 2022 – 2022 음향, 음성 및 신호 처리에 관한 IEEE 국제 회의(ICASSP)

DOI : 10.1109/ICASSP43922.2022.9747892

여기에서 지금 확인해 보세요. 더 읽기.