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

最新推荐文章于 2024-04-01 10:36:26 发布
最新推荐文章于 2024-04-01 10:36:26 发布
阅读量7.5k 收藏 9
点赞数 4
CC 4.0 BY-SA版权
分类专栏： 那些年我们一起看过的 文章标签： 神经网络 ENet
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/zijinxuxu/article/details/67638290

/*
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，

最低0.47元/天 解锁文章

200万优质内容无限畅学
ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation
YoGooooooooooo的博客
08-19 620
在移动应用中，实时执行像素级语义分割的能力是至关重要的.针对这一任务的最近的深层神经网络存在着重复使用的缺点。**深度神经网络有大量浮点操作，且运行时间长，阻碍了它们的可用性**.本文提出了一种新的深层神经网络体系结构-高效神经网络(ENET)。相比于现有的模型，在速度加快了18×倍，浮点计算量上减少了75×，参数减少了79×，且有相似的精度。ENet在CamVid, Cityscapes and SUN datasets做了相关对比测试。
ENet 笔记
ahxieqi的博客
03-20 1078
2019 March 20 enet ENet 笔记 关键点 bottleneck BN + PRelU Spatial Dropout 只有 weights，无 bias 一、背景 许多移动应用需要实时语义分割模型。深度神经网络需要大量的浮点运算，导致运行时间长，从而降低了时效性。ENet，相比于 SegNet，在速度块，浮点计算量少，参数少，且有相似的精度。 二、网络结构 整体架构 ...
《ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation》论文笔记
m_buddy的博客
06-09 718
1. 概述 导读：一般的分割网络需要大量的浮点运算以及较长的运算时间，这个妨碍了其在实时要求较高场合的使用，这篇文章提出了基于编解码器结构的实时分割网络ENT（Efficient Neural Network）。虽然采用的结构是编解码器的结构但是在一些细节的地方做了改进，这些改进有的是为了提升运行的速度或减少运行的资源消耗，比如，对图像输入的stage修改（文中说法为：Early downsam...
Python-ENet一种用于实时语义分割的深度神经网络体系结构
08-11
ENet:一种用于实时语义分割的深度神经网络体系结构
ENet——实时语义分割的深度神经网络架构与代码实现
最新发布
知来者逆的博客
04-01 3115
在移动设备上执行实时像素级分割任务具有重要意义。现有的基于分割的深度神经网络需要大量的浮点运算，并且通常需要较长时间才能投入使用。本文提出的ENet架构旨在减少潜在的计算负担。ENet在保持或提高分割精度的同时，相比现有的分割网络，速度提升了18倍，参数量减少了79倍。论文地址：https://arxiv.org/abs/1606.02147随着增强现实设备、智能家居设备和自动驾驶技术的兴起，将语义分割算法移植到性能较低的移动设备上变得尤为迫切。
论文阅读：ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation
01-07
文章目录1 摘要2 亮点2.1 initial模块和bottlebeck模块2.1.1 initial模块2.1.2 bottlebeck模块2.2 PReLU2.3 普通卷积、非对称卷积、空洞卷积混合使用2.4 ENet总体结构3 效果4 结论5 参考资料 1 摘要 语义分割的落地...
【阅读笔记】《ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation》
ShuqiaoS的博客
04-17 2514
本文记录了博主阅读论文《ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation》的笔记，代码。更新于2019.04.16。
Clearing the Skies: A deep network architecture for single-image rain removal解读
h_l_dou的博客
09-22 3030
Clearing the Skies: A deep network architecture for single-image rain removal解读Abstract1.IntroductionA:Related work:Video v.s. single-image based rain removalB Contributions of our DerainNet approach ...
DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation（笔记）
Blankit1的博客
07-08 986
论文地址 一、主要内容介绍 1. 问题背景 对于高分辨率的图像，如何在高推断速度的情况下，保证推断精度呢？ U型网络的分割效果不错，但是计算量较大； 一些方法通过减小输入图像的尺寸或者裁剪掉多余的通道来提高推断的速度，但是会损失边界部分的细节以及对于小目标识别效果不好； 浅层的网络削弱了特征的辨别能力。 针对这些问题，有人提出将空间细节和上下文信息结合在一起的多分支框架(Figure 2(a))...
[论文笔记] (CVPR2019) DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation
Holeung blog
08-15 818
DFAnet：Deep Feature Aggregation for Real-time Semantic Segmentation.pdf
10-23
看完了DFANet，自己有空就翻译了一下，需要的自取
【语义分割】DFANet -- Deep Feature Aggregation for Real-Time Semantic Segmentation
筱
05-19 5728
一、Architecture DFANet包括四个部分：the lightweight backbone、sub-network aggregation、sub-stage aggregation moduels以及最后的decoder。 backbone：改进Xception + fully-connected attention sub-network aggregation：将之前back...
DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation
w_xiaomu的博客
06-24 273
简单介绍 Introduction 结构 实验 总结
【语义分割】4、DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation
呆呆的猫的博客
05-30 9645
摘要 本文提出了一种及其高效的 CNN 结构——DFANet，来解决计算资源受限情况下的语义分割。 本文提出的网络，始于一个简单的backbone，并将这些子网络、子层级的有区分力的特征分别进行聚合。 基于多尺度特征传递的 DFANet 不仅仅减少了大量的参数，也获得了足够的感受野并加强了模型的学习能力，保持了分割速度和分割性能的平衡。 在 Cityscapes 和 CamVid 数据集上的实验证............
论文翻译：DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation
zhA____的博客
09-04 802
DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation 摘要   本文介绍了一种非常有效的基于资源约束的CNN框架——DFANet。我们提出的网络从单一的轻量级骨干开始，分别通过子网络和子级联来聚合识别特征。DFANet基于多尺度特征传播，在显著减少了参数个数的同时，仍然获得了足够的感受野，提高了模型的学习能力，在速...
Semantic Segmentation---DFANet:Deep Feature Aggregation for Real-Time Semantic Segmentation（论文解读十）
一一
06-04 2749
Title：DFANet：Deep Feature Aggregation for Real-Time Semantic Segmentation Note data：2019/06/05 Abstract：提出的网络从单个轻量级骨干网开始，分别通过子网和子站级联聚合判别特征。基于多尺度特征传播，DFANet大大减少了参数的数量，但仍然获得了足够的感受野，提高了模型学习能力，在速度和分割性能之间取...
DFAnet：Deep Feature Aggregation for Real-time Semantic Segmentation自己翻译的
qq_35495665的博客
10-23 1544
DFAnet：Deep Feature Aggregation for Real-time Semantic Segmentation Abstract 一、从单一的轻量级主干出发，通过子网络和子级连接分别聚合识别特征 二、基于多尺度特征传播，DFANet极大的减少了参数数量，同时保持了有效的感受野，并且增强了模型的学习能力 三、在数据集Cityscapes 和 CamVid 进行测试，与stat...
语义分割之ENet
热门推荐
年轻即出发，
05-28 1万+
论文：ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation 代码：https://github.com/TimoSaemann/ENet 论文提出了新的语义分割模型ENet (efficient neural network)，相比SegNet，速度提升18倍，计算量减少75倍，参数...
(CVPR2019)图像语义分割(17)-DFANet:用于实时语义分割的深层特征聚合网络
kevin_zhao_zl的博客
05-14 4801
论文提出了一种极其高效的用于实时语义分割的网络框架DFANet，从一个轻量级的主干网络开始，通过一些列的附属阶段来聚合有判别力的特征，减少模型参数的同时保持了良好的感受野并且增强了模型的学习能力，取得了实时语义分割上的SOTA效果
道路场景语音分割相关的文献和代码能给我些吗
07-14
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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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