DeepGBASS: глибока керована семантична сегментація з урахуванням меж

Семантична сегментація зображення повсюдно використовується в програмах для розуміння сцени, таких як AI Camera, які вимагають високої точності та ефективності. Глибоке навчання значно просунуло сучасний рівень семантичної сегментації. Однак багато останніх робіт із семантичної сегментації розглядають лише точність класу та ігнорують точність на кордонах між семантичними класами. Щоб підвищити точність семантичних меж, ми пропонуємо мережі низької складності Deep Guided Decoder (DGD), навчені новою стратегією Semantic Boundary-Aware Learning (SBAL). Наші дослідження абляції на міських пейзажах і ADE20K-32 підтверджують ефективність нашого підходу до мереж різної складності. Ми показуємо, що наш підхід DeepGBASS значно покращує mIoU до 11% відносного приросту та середній граничний показник F1 (mBF) до 39.4% під час навчання MobileNetEdgeTPU DeepLab на наборі даних ADE20K-32.

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

Опубліковано в: ICASSP 2022 – 2022 Міжнародна конференція IEEE з акустики, обробки мови та сигналів (ICASSP)

DOI: 10.1109/ICASSP43922.2022.9747892

Натисніть тут читати далі.