DeepGBASS: глубоко управляемая семантическая сегментация с учетом границ

Семантическая сегментация изображения повсеместно используется в приложениях для понимания сцен, таких как AI Camera, которые требуют высокой точности и эффективности. Глубокое обучение значительно продвинуло современное состояние семантической сегментации. Однако многие из недавних работ по семантической сегментации учитывают только точность класса и игнорируют точность на границах между семантическими классами. Чтобы повысить точность семантических границ, мы предлагаем сети с низким уровнем сложности Deep Guided Decoder (DGD), обученные с помощью новой стратегии обучения с учетом семантических границ (SBAL). Наши исследования абляции на Cityscapes и ADE20K-32 подтверждают эффективность нашего подхода с сетью различной сложности. Мы показываем, что наш подход DeepGBASS значительно улучшает mIOU до 11% относительного прироста и средний граничный показатель F1 (mBF) до 39.4% при обучении MobileNetEdgeTPU DeepLab на наборе данных ADE20K-32.

Авторы: Цинфэн Лю, Хай Су, Мостафа Эль-Хами, Ки-Бонг Сонг, SOC Multimedia R&D, Samsung Semiconductor, Inc., США

Опубликовано в: ICASSP 2022 – 2022 Международная конференция IEEE по акустике, обработке речи и сигналов (ICASSP)

DOI: 10.1109/ICASSP43922.2022.9747892

Нажмите здесь читать дальше.