DeepGBASS: globoko vodena semantična segmentacija, ki upošteva meje

Semantična segmentacija slike se povsod uporablja v aplikacijah za razumevanje scene, kot je AI Camera, ki zahtevajo visoko natančnost in učinkovitost. Globoko učenje je znatno napredovalo v semantični segmentaciji. Vendar pa mnoga nedavna semantična segmentacija upoštevajo samo točnost razreda in ignorirajo točnosti na mejah med semantičnimi razredi. Za izboljšanje natančnosti semantične meje predlagamo nizko zapletena omrežja Deep Guided Decoder (DGD), usposobljena z novo strategijo učenja, ki se zaveda semantične meje (SBAL). Naše študije ablacije na Cityscapes in ADE20K-32 potrjujejo učinkovitost našega pristopa z mrežo različnih kompleksnosti. Pokazali smo, da naš pristop DeepGBASS znatno izboljša mIoU za do 11 % relativnega povečanja in povprečni mejni rezultat F1 (mBF) za do 39.4 % pri usposabljanju MobileNetEdgeTPU DeepLab na naboru podatkov ADE20K-32.

Avtorji: Qingfeng Liu, Hai Su, Mostafa El-Khamy, Kee-Bong Song, iz SOC Multimedia R&D, Samsung Semiconductor, Inc., ZDA

Objavljeno v: ICASSP 2022 – 2022 Mednarodna konferenca IEEE o akustiki, obdelavi govora in signalov (ICASSP)

DOI: 10.1109/ICASSP43922.2022.9747892

klik tukaj preberite več.