相关实验视频
Updated: Jul 20, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
442
MFAFNet:一个轻量级和高效的网络,具有多级特征适应融合,用于实时语义细分
Kai Lu1,2, Jieren Cheng3, Hua Li1
1School of Cyberspace Security (School of Cryptology), Hainan University, Haikou 570228, China.
Sensors (Basel, Switzerland)
|July 29, 2023
概括
本研究介绍了一种用于实时语义细分的轻量级网络,提高了移动设备和自主系统的准确性. 拟议的方法可以在最小的参数下实现高速度和精度.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 人工智能的人工智能
背景情况:
- 实时语义细分对于自动驾驶等资源有限的应用程序至关重要.
- 现有的方法往往在受体场大小和细节保存方面扎,影响准确性.
- 需要有效的网络来平衡速度,准确性和模型大小.
研究的目的:
- 为实时语义细分提出一个轻量级和高效的多级特征自适应融合网络 (MFAFNet).
- 解决当前网络在实现大接收场和保存低级别细节方面的局限性.
- 为了优化推断速度而不会牺牲细分精度.
主要方法:
- 设计了一个可分离的不对称增强非瓶模块,用于提取短距离和远距离的上下文信息.
- 开发了一个特征自适应融合模块,以平衡多分辨率特征地图并减少空间细节损失.
- 利用优化的卷积来提高推断速度.
主要成果:
- 在城市景观上,MFAFNet实现了75.9%的mIoU,在Camvid数据集上实现了69.9%的mIoU.
- 该网络在 60.1 FPS (Cityscapes) 和 82.6 FPS (Camvid) 运行,没有预培训或后处理.
- MFAFNet只有127万个参数,证明了一个紧的模型大小.
结论:
- 拟议的MFAFNet在推断速度,细分精度和模型大小之间提供了出色的权衡.
- 该网络适用于要求高的应用程序中的实时语义细分.
- 新型模块有效地捕获上下文信息,并保留空间细节.
