图像语义分割在场景理解应用中被广泛应用，例如AI Camera，它对精度和效率的要求很高。深度学习极大地提高了语义分割的技术水平。然而，目前的许多语义分割工作只考虑了类的准确性，而忽略了语义类边界处的准确性。我们对城市景观和ADE20K-32的消融研究证实了我们的方法在不同复杂性网络中的有效性。我们表明，当在ADE20K-32数据集上训练MobileNetEdgeTPU DeepLab时，我们的DeepGBASS方法显著提高了mIoU高达11%的相对增益和平均边界f1得分(mBF)高达39.4%。
作者:刘庆峰，苏海，Mostafa El-Khamy, Song Kee-Bong, SOC多媒体研发，三星半导体公司，美国
发表在:ICASSP 2022 - 2022 IEEE声学、语音和信号处理国际会议(ICASSP)
DOI:10.1109 / ICASSP43922.2022.9747892
点击在这里阅读更多。
|
|
|
|
|
|
|
|
|
|
留下回复