DeepGBASS: diepgeleide, grensbewuste semantische segmentatie

Semantische segmentatie van afbeeldingen wordt alom gebruikt in toepassingen voor het begrijpen van scènes, zoals AI Camera, die een hoge nauwkeurigheid en efficiëntie vereisen. Deep learning heeft de state-of-the-art op het gebied van semantische segmentatie aanzienlijk verbeterd. Veel van de recente semantische segmentatiewerken houden echter alleen rekening met klassennauwkeurigheid en negeren de nauwkeurigheid aan de grenzen tussen semantische klassen. Om de semantische grensnauwkeurigheid te verbeteren, stellen we Deep Guided Decoder (DGD)-netwerken met een lage complexiteit voor, getraind met een nieuwe Semantic Boundary-Aware Learning (SBAL)-strategie. Onze ablatiestudies over stadsgezichten en de ADE20K-32 bevestigen de effectiviteit van onze aanpak met een netwerk van verschillende complexiteiten. We laten zien dat onze DeepGBASS-aanpak de mioU aanzienlijk verbetert met maximaal 11% relatieve winst en de gemiddelde grens F1-score (mBF) met maximaal 39.4% bij het trainen van MobileNetEdgeTPU DeepLab op de ADE20K-32-dataset.

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

Gepubliceerd in: ICASSP 2022 – 2022 IEEE Internationale conferentie over akoestiek, spraak en signaalverwerking (ICASSP)

DOI: 10.1109/ICASSP43922.2022.9747892

Klik hier om meer te lezen.