【那些年我们一起看过的论文】之《ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation》


/*
天下武功,唯快不破。要想在移动终端或者嵌入式系统上应用,小巧高速是很重要的。ENet在追求高效率的同时兼顾了精度,站在巨人的肩膀上,综合了很多特色的网络结构,并在输入端首先加以压缩达到加速的目的。论文很好直观易懂,称述很坦诚,代码也非常清晰,nice!
*/

在移动设备上,语义分割的实时性非常重要,近期的很多深度神经网络都要求大量的浮点操作且非常耗时,因此本文专门设计了一种高效率的神经网络ENet(efficient neural network),做到飞一般的享受。

CNN的分类做的很好,但是像素级别的分割比较粗糙,基于VGG16结构的SegNet和FCN虽然在结果上比较出色,但是需要大量的参数及推理时间,这也是我们ENet的优势所在了。

ENet的网络结构如图1,讲整个网络分成了不同的部分和阶段。
这里写图片描述
————————–图1—————————
细化到每个小部件,结构中具体的模块构造如图2所示
这里写图片描述
————————–图2—————————

使用卷积网络就会遇到下采样(downsampling),下采样会导致丢失部分边缘信息,同时上采样也会需要较大计算量。前者通过SegNet的方法解决,

当然可以!以下是一些关于道路场景语义分割的研究文献和相关代码资源: 文献: 1. Xiaozhi Chen et al. "Semantic Deep Learning for Advanced Driver Assistance Systems: A Survey." IEEE Transactions on Intelligent Transportation Systems, 2017. [论文链接](https://ieeexplore.ieee.org/abstract/document/7560367) 2. Marc Aubreville et al. "Semantic Segmentation of Road Scenes: A Review." IEEE Intelligent Transportation Systems Magazine, 2018. [论文链接](https://ieeexplore.ieee.org/abstract/document/8533806) 3. Seong-Gyun Jeong et al. "Road Scene Segmentation Using Deep Neural Networks with Pixel-Level Classifiers." Sensors, 2019. [论文链接](https://www.mdpi.com/1424-8220/19/24/5518) 4. Chen-Yu Lee et al. "ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation." CVPR 2018. [论文链接](https://arxiv.org/abs/1606.02147) 代码: 1. MIT Scene Parsing Benchmark: 提供了多种语义分割模型的代码实现和预训练模型,包括FCN、DeepLab等。[GitHub链接](https://github.com/CSAILVision/semantic-segmentation) 2. SegNet: 以Caffe为基础实现的SegNet模型,用于语义分割任务。[GitHub链接](https://github.com/alexgkendall/caffe-segnet) 3. ESPNet: 基于PyTorch实现的轻量级语义分割模型ESPNet。[GitHub链接](https://github.com/sacmehta/ESPNet) 请注意,这些资源提供了一些经典的语义分割模型和实现,但始终建议根据你的具体需求进行选择和进一步的调整。 希望这些资源能对你的研究有所帮助!如有其他问题,请随时提问。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值