DeepGBASS: Deep Guided Boundary-Aware Semantic Segmentation

Semantisk bildesegmentering brukes allestedsnærværende i sceneforståelsesapplikasjoner, for eksempel AI-kamera, som krever høy nøyaktighet og effektivitet. Dyplæring har betydelig fremmet det siste innen semantisk segmentering. Imidlertid vurderer mange av nyere semantiske segmenteringsverk bare klassenøyaktighet og ignorerer nøyaktighetene ved grensene mellom semantiske klasser. For å forbedre den semantiske grensenøyaktigheten, foreslår vi lavkompleksitet Deep Guided Decoder (DGD) nettverk, trent med en ny strategi for Semantic Boundary-Aware Learning (SBAL). Våre ablasjonsstudier på Cityscapes og ADE20K-32 bekrefter effektiviteten til vår tilnærming med nettverk av forskjellige kompleksiteter. Vi viser at vår DeepGBASS-tilnærming betydelig forbedrer mIoU med opptil 11 % relativ gevinst og gjennomsnittlig grense F1-score (mBF) med opptil 39.4 % når man trener MobileNetEdgeTPU DeepLab på ADE20K-32 datasett.

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

Publisert i: ICASSP 2022 – 2022 IEEE internasjonale konferanse om akustikk, tale og signalbehandling (ICASSP)

DOI: 10.1109/ICASSP43922.2022.9747892

Klikk her. å lese mer.