例如:AESeg:使用特征类映射知识蒸以实现室内场景高效的RGB-D语义细分的亲和度增强细分器
Wujie Zhou1, Yuxiang Xiao2, Fangfang Qiang2
1School of Information & Electronic Engineering, Zhejiang University of Science & Technology, Hangzhou 310023, China; School of Computer Science and Engineering, Nanyang Technological University, Singapore 308232, Singapore.
概括
本研究引入了一种以亲和度增强的语义细分框架,结合了静态和动态方法. 它实现了与动态方法相比较的高准确性,并大大降低了深度学习模型的计算成本.
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:
- 动态语义细分模型提供了高准确度,但产生了显著的计算成本.
- 静态细分方法,就像完全卷积网络一样,在计算上是高效的,但缺乏全球语义意识.
研究的目的:
- 开发一个高效的语义细分框架,将动态方法的准确性与静态方法的计算效率相结合.
- 为了减少与学习和推断相关的计算负担,在动态细分中嵌入类.
主要方法:
- 提出了一个以亲和度增强的语义细分框架,集成静态和动态方法.
- 构建了一个二进制亲和矩阵,编码像素智能类别关系,作为一个动态分类内核.
- 引入了一种特征对类别映射精细化技术,以提高准确性而不会增加复杂性.
主要成果:
- 拟议的方法实现了与纯动态方法可比的性能,并大大降低了计算开销.
- 在NYUv2和SUN-RGBD数据集上展示了最先进的性能.
- 在CamVid数据集上的各种场景中验证了有效性,包括户外环境.
结论:
- 亲和度增强的框架为语义细分提供了一个计算效率高且准确的解决方案.
- 功能对类别的映射改进有效地提高了细分的准确性.
- 拟议的方法代表了深度学习对语义细分的重大进步.
