77wpa的博客

标题开源代码标题开源代码。

编码器-解码器框架是用于离线语义图像分割的最先进的框架。随着自主系统的兴起，实时计算越来越受欢迎。在本文中，我们介绍了快速分割卷积神经网络（Fast-SCNN），这是一种针对高分辨率图像数据（1024×2048px）的实时语义分割模型，适用于低内存嵌入式设备上的高效计算。在现有的两种快速分割分支方法的基础上，我们引入了我们的“学习下采样”模块，该模块同时计算多个分辨率分支的低级特征。

人们普遍认为，深度网络的成功训练需要数千个带注释的训练样本。在本文中，我们提出了一种网络和训练策略，该策略依赖于数据增强的强大使用，以更有效地使用可用的注释样本。该体系结构由捕获上下文的收缩路径和实现精确定位的对称扩展路径组成。我们证明，这种网络可以从极少数图像中进行端到端训练，并且在电子显微镜堆栈中神经元结构分割的ISBI挑战中优于先前的最佳方法（滑动窗口卷积网络）。使用在透射光显微镜图像（相位对比度和DIC）上训练的同一网络，我们在2015年的这些类别中以很大优势赢得了ISBI细胞跟踪挑战。

空间金字塔池化模块或编码解码器结构用于深度神经网络中的语义分割任务。前一种网络能够通过以多个速率和多个有效视场使用滤波器或池化操作来探测传入特征，从而对多尺度上下文信息进行编码，而后一种网络可以通过逐渐恢复空间信息来捕捉更清晰的目标边界。在这项工作中，我们建议将这两种方法的优点结合起来。具体而言，我们提出的模型DeepLabv3+通过添加一个简单而有效的解码器模块来细化分割结果，特别是沿着目标边界的分割结果，从而扩展了DeepLabv3。